influÊncia da incerteza de mediÇÃo no uso de cartas
Post on 08-Jan-2017
216 Views
Preview:
TRANSCRIPT
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL
ESCOLA DE ENGENHARIA
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO
INFLUÊNCIA DA INCERTEZA DE MEDIÇÃO
NO USO DE CARTAS DE CONTROLE
PEDRO DA SILVA HACK
Porto Alegre
2012
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL
ESCOLA DE ENGENHARIA
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO
Influência da Incerteza de Medição no Uso de
Cartas de Controle
Pedro da Silva Hack
Orientador: Carla Schwengber ten Caten
Dissertação submetida ao programa de Pós-
Graduação em Engenharia de Produção da
Universidade Federal do Rio Grande do Sul
como requisito parcial à obtenção do título de
Mestre em Engenharia de Produção,
modalidade Acadêmica, na área de
concentração em Sistemas da Qualidade.
Porto Alegre
2012
PEDRO DA SILVA HACK
Influência da Incerteza de Medição no Uso de Cartas de Controle
Esta dissertação foi julgada adequada para a obtenção do título de Mestre em
Engenharia de Produção na modalidade Acadêmica e aprovada em sua forma final pelo
Orientador e pela Banca Examinadora designada pelo Programa de Pós-Graduação em
Engenharia de Produção da Universidade Federal do Rio Grande do Sul
____________________________________
Prof. Carla Schwengber ten Caten, Drª.
Orientadora PPGEP/UFRGS
____________________________________
Prof. Carla Schwengber ten Caten, Drª.
Coordenadora PPGEP/UFRGS
Banca Examinadora:
Morgana Pizzolato (Dept. Engenharia de Produção/UFSM)
Maria Teresa Raya-Rodriguez (PPGECO/UFRGS)
João Alziro Herz da Jornada (INMETRO)
AGRADECIMENTOS
HACK, P.S. Influência da Incerteza de Medição no Uso de Cartas de Controle. 2012.
Dissertação (mestrado em engenharia) – Universidade Federal do Rio Grande do Sul,
Brasil.
RESUMO
A incerteza de medição ainda é tema de estudo e desenvolvimento, mesmo quase vinte
anos após o lançamento do ISO GUM, que definiu um padrão internacional para o
cálculo de incerteza. Mesmo assim, poucos estudos tratam da interface entre a incerteza
de medição e outros aspectos da qualidade industrial, em especial ferramentas de
controle de processo como cartas de controle. Assim, o objetivo deste trabalho é estudar
os efeitos da incerteza em cartas de controle e identificar sob quais situações de
aplicação ela exerce maior influência. Foi feito um mapeamento dos artigos publicados
entre 2004 e 2010 sobre incerteza de medição, para identificar quais as metodologias de
cálculo e abordagem são mais utilizadas. Na sequência, foi desenvolvido um método
incluir nas cartas de controle a incerteza do sistema de medição, modificando as
probabilidades de erros tipo I e tipo II. Finalmente, foi elaborada uma simulação
computacional utilizando o método desenvolvido, para que fosse possível analisar quais
as situações nas quais a incerteza de medição deve ser obrigatoriamente considerada e
quais ela pode ser negligenciada.
Palavras-chave: Incerteza de Medição, Cartas de Controle, Controle Estatístico de
Processo.
HACK, P.S. Influence of Measurement Uncertainty in the Usage of Control Charts.
2012. Master’s work – Federal University of Rio Grande do Sul, Brazil.
ABSTRACT
The measurement uncertainty is still subject of study and development, even almost
twenty years after the release of the ISO GUM, which set an international standard for
the its calculation. Still, few studies have addressed the interface between the
measurement uncertainty and other aspects of industrial quality, in particular process
control tools like control charts. The objective of this work is to study the effects of
measurement uncertainty on control charts and to identify the situations in which its
application exerts greater influence. A research was made, mapping of the articles
published between 2004 and 2010 regarding measurement uncertainty, aiming to
identify which calculation methods and approaches are most widely used. After, a
method was developed to include uncertainty of the measurement system in control
charts, modifying the probabilities of type I and type II errors. Finally, it was created a
computer simulation using the method developed, to make it possible to analyze those
situations in which the measurement uncertainty must be considered and which it can be
neglected.
Keywords: Measurement Uncertainty, Control Charts, Statistical Process Control.
SUMÁRIO
1. INTRODUÇÃO ........................................................................................................ 8
1.1. Tema e objetivos ................................................................................................ 9
1.2. Justificativa ...................................................................................................... 10
1.2.1. Justificativa do tema ................................................................................. 10
1.2.2. Justificativa dos objetivos ......................................................................... 10
1.3. Método do trabalho .......................................................................................... 11
1.4. Delimitações do trabalho ................................................................................. 13
1.5. Estrutura do trabalho ........................................................................................ 14
2. ARTIGOS PROPOSTOS ........................................................................................ 15
2.1. ARTIGO 1 ....................................................................................................... 16
2.2. ARTIGO 2 ....................................................................................................... 39
2.3. ARTIGO 3 ....................................................................................................... 60
3. CONSIDERAÇÕES FINAIS .................................................................................. 84
3.1. Conclusões ....................................................................................................... 84
3.2. Sugestões para trabalhos futuros ...................................................................... 85
4. REFERÊNCIAS ...................................................................................................... 85
8
1. INTRODUÇÃO
A concorrência do mercado atual faz com que a indústria exija cada vez mais de
seus produtos e processos, visando reduzir custos, cortar desperdícios e melhorar
qualidade. Diante disso, o Controle Estatístico de Processo (CEP) é uma das
ferramentas mais utilizadas para realizar o controle online da qualidade e reduzir a
variabilidade de processos (MONTGOMERY, 2004), devido à sua simplicidade de
entendimento e operação (ZHANG; WU, 2005). Sua função é diferenciar causas
comuns de variabilidade de causas especiais, ou seja, diferenciar elementos intrínsecos
ao processo que fazem variar suas características da qualidade geralmente em pequena
magnitude dos fatores externos ao processo que fazem variar suas características
geralmente em grande magnitude.
O CEP baseia-se no uso de cartas de controle: ferramentas gráficas que
acompanham o processo em tempo real indicando o comportamento de medidas de
tendência central e variabilidade. O processo é dito sob controle estatístico quando todas
as amostras inspecionadas estão posicionadas dentro dos limites de controle interno e
externo, nesse caso o processo está estável e previsível ao longo do tempo. Caso
contrário ele apresentou um indício de causa especial e precisa ser investigado
(SOUZA, 2010).
Os dados de entrada da carta de controle são medições das variáveis do processo
e, portanto, passam pelo sistema de medição. O sistema de medição tem propriedades
intrínsecas a ele, que são incorporadas por todas as suas medições e uma de suas
propriedades mais importantes é a incerteza de medição (IM). A incerteza de um
sistema de medição é um valor não menos crítico que a própria medição (REZNIK;
DABKE, 2004) que expressa a faixa dentro da qual está o verdadeiro valor do
mensurando e também representa o grau de confiança no resultado (DÉSENFANT;
PRIEL, 2006.
Existem muitos modelos de cartas de controle de processo, com diferentes
especificidades e aplicações para processos com características distintas (VARGAS,
2004), mas nenhum modelo considera devidamente o efeito que a incerteza de medição
pode causar no controle do processo, mesmo se sabendo que as cartas estão
constantemente sob sua influência (CARBONE et al., 2003).
9
A incerteza de medição se traduz em uma possível mudança no posicionamento
tanto da amostra quanto dos limites de controle no gráfico, podendo trazer uma amostra
para dentro dos limites ou retirando-a, alterando assim a resposta da carta. Avaliar
corretamente esse efeito de incertezas pode reduzir drasticamente o risco de realizar
uma tomada de decisão equivocada (PENDRILL, 2006).
A incerteza nem sempre irá possuir um grande efeito sobre a carta de controle. Se
a sua magnitude for pequena comparada à variabilidade do processo que está sendo
controlado pela carta, o seu efeito pode ser desprezível (CARBONE et al., 2003). Essa
comparação recebe o nome de TUR (Test Uncertainty Ratio) e expressa a razão da
variabilidade do processo pela incerteza de medição e quanto menor esse valor, maiores
serão os índices de alarmes falsos e o número de amostras necessárias para detectar um
processo fora de controle estatístico.
Para situações onde o valor do TUR é muito pequeno a incerteza certamente
afetará o desempenho das ferramentas de controle e adaptações devem ser consideradas
(HACK; CATEN, 2012; CARBONE et al., 2003). Para esses casos as cartas de controle
precisam considerar a variabilidade devido à incerteza de medição e seus efeitos nos
limites de controle, para corretamente dimensionar seus parâmetros de forma a
minimizar a taxa de alarmes falsos e as amostras necessárias para detectar que o
processo tenha saído de controle.
1.1.Tema e objetivos
Os temas desta dissertação são incerteza de medição e cartas de controle de
processo. Estes temas contemplam as áreas de metrologia e engenharia da qualidade.
O objetivo principal deste trabalho é desenvolver um método para que as cartas de
controle considerem a incerteza do sistema de medição. Como decorrência do objetivo
principal, os seguintes objetivos específicos são esperados: (i) identificar as
metodologias de cálculo de incerteza e as abordagens utilizadas através de um
mapeamento dos artigos publicados sobre incerteza de medição; e; (ii) identificar
situações de aplicação das cartas de controle nas quais a incerteza de medição deve ser
considerada e nas quais ela pode ser negligenciada através de uma simulação
computacional.
10
1.2.Justificativa
1.2.1. Justificativa do tema
A indústria está constantemente buscando a melhoria contínua de seus produtos e
processos, e para isso são utilizadas diversas ferramentas da qualidade. Dessa forma, o
gráfico de controle de processo é uma das ferramentas da qualidade mais utilizada para
monitorar processos e garantir sua estabilidade de forma online (MONTGOMERY,
2004). Eles tem como objetivo indicar graficamente quando o processo sai de controle
estatístico, ou seja, quando ele sofre uma mudança não intencional em seus parâmetros.
As cartas de controle são alimentadas com dados medidos diretamente do
processo, e esses dados estão sujeitos às incertezas do sistema de medição (CARBONE
et al., 2003). Se essas incertezas não forem corretamente consideradas, o risco de uma
tomada incorreta de decisão pode aumentar (PENDRILL, 2006). Diante disso, é de
extrema importância avaliar corretamente o impacto que essas incertezas causam na
utilização das cartas de controle de processo.
A incerteza de medição modifica significativamente o desempenho de cartas de
controle, pois pode alterar a resposta da carta de um processo sob controle para fora de
controle e vice-versa. No caso de alarmes falsos (falsamente acusar um processo sob
controle como fora de controle), são incorridos gastos com parada de produção,
inspeção do processo e até mesmo inspeção total do lote produzido. Quando a carta de
controle deixa de acusar um processo fora de controle como tal, a empresa deixa de
detectar o problema antes que ele ocasione grandes perdas, ou até mesmo que chegue ao
cliente.
1.2.2. Justificativa dos objetivos
Já foi discutido sobre a falta de precisão sobre a real posição dos limites de
controle (GÜLBAY E KAHRAMAN, 2007) e qual o seu impacto na determinação de
causas especiais, porém ainda foi pouco explorado como a incerteza de medição
contribui nesse sentido. Foram identificados poucos trabalhos especificamente sobre o
efeito que a incerteza de medição pode causar em cartas de controle (CARBONE et al.,
2003), apesar de ambos os temas possuírem isoladamente diversas publicações
internacionais (MONTGOMERY, 2004; HACK E CATEN, 2012).
11
Devido ao fato de não haver um tratamento específico para essa interface, há a
necessidade de um método que trate do efeito da incerteza na carta de controle, pois ela
pode modificar por completo os indicadores de desempenho da carta em relação aos
erros tipo I e tipo II.
Se a incerteza do sistema de medição for suficientemente elevada em comparação
com a variabilidade do processo controlado pela carta de controle, o posicionamento
tanto dos limites quando das amostras pode não corresponder ao que está no gráfico,
resultando em um controle do processo pouco eficaz. Caso a incerteza do sistema não
seja elevada se comparada à variabilidade do processo, a influência na carta de controle
é mínima e pode ser negligenciada. Esse valor limite para que a incerteza exerça
influência na carta de controle não foi devidamente estudado ainda e é uma necessidade
importante.
A maioria das indústrias de médio e grande porte já avalia periodicamente seu
sistema de medição para estar de acordo com normas internacionais, incluindo a análise
da sua incerteza de medição. Devido a isso, pouco esforço adicional seria necessário
para implementar as modificações propostas pelo trabalho, requerendo apenas que os
dados já disponíveis do sistema de medição fossem inseridos na carta de controle com
incertezas.
1.3.Método do trabalho
A seguir são apresentados a caracterização do trabalho em relação ao tipo de
pesquisa realizada, a descrição das etapas e as ferramentas e técnicas utilizadas para
atingir os objetivos gerais e específicos do escopo.
Este trabalho foi classificado como uma pesquisa de natureza aplicada e
abordagem quantitativa, gerando conhecimento para solucionar problemas baseando-se
no desenvolvimento de ferramentas computacionais e desenvolvimento de formulários
(SILVA E MENEZES, 2000). Quanto aos objetivos ele pode ser classificado como
pesquisa exploratória com procedimentos de pesquisa bibliográfica e experimental,
partindo do mapeamento de artigos científicos publicados em periódicos internacionais
para o equacionamento e simulação computacional (GIL, 1991).
12
O trabalho foi estruturado e realizado em três etapas, cada uma resultando em um
artigo: (i) mapeamento dos artigos científicos publicados; (ii) elaboração e proposta de
um método para considerar a incerteza de medição nas carta de controle de processos e;
(iii) simulação computacional dos cenários de aplicação da carta proposta
anteriormente. Os artigos, resultados de cada uma das etapas descritas acima, estão
descritos na Tabela 1.
Tabela 1 – descrição resumida dos artigos desenvolvidos
Estudo Questões de
Pesquisa Objetivos Revisão Teórica
Método de
Pesquisa
Artigo 1
Q1: Quais as
abordagens e
ênfases dos artigos
científicos sobre
incerteza de
medição?
Analisar e
classificar os artigos
publicados sobre o
tema incerteza de
medição
1. Incerteza de
Medição
Pesquisa de caráter
Exploratório
Artigo 2
Q2: Como
incorporar as
incertezas de
medição em cartas
de controle de
processos?
Propor um método
para considerar
incerteza de
medição em cartas
de controle de
processos
1. Incerteza de
Medição
2. Cartas de
Controle
Pesquisa de caráter
Exploratório
Artigo 3
Q3: Em quais
situações as
incertezas devem ser
consideradas no uso
de cartas de
controle?
Avaliar qual o
comportamento da
carta de controle
com incertezas em
diferentes cenários
através de simulação
computacional
1. Cartas de
Controle
2. Cartas de
Controle com
Incertezas
Pesquisa de caráter
Exploratório e
Estudo Simulado
O primeiro artigo – Incerteza de Medição: Revisão da Literatura e Tendências de
Pesquisa – apresenta um mapeamento dos artigos científicos publicados em periódicos
internacionais sobre o tema incerteza de medição entre os anos de 2004 e 2010. Ao
todo, foram analisados 114 artigos. Após o mapeamento, foram identificadas as
abordagens utilizadas pelos artigos sobre incerteza de medição e, com esses dados, foi
realizada uma classificação e análise dos artigos em relação à abordagem, método de
cálculo de incerteza e ano de publicação. Esse artigo foi submetido em língua inglesa e
aceito pelo periódico internacional IEEE Transactions on Instrumentation and
Measurement e será publicado em 2012.
O artigo 2 – Efeito da Incerteza de Medição na Utilização de Cartas de Controle –
parte de uma oportunidade identificada no artigo 1: a falta de trabalhos que estudassem
os efeitos da incerteza de medição na utilização de ferramentas da qualidade, como
13
cartas de controle de processo. O artigo apresenta um método para modificar cartas de
controle de forma que elas considerem a incerteza do sistema de medição, modificando
as probabilidades de erros tipo I e tipo II. Nele, é apresentado todo o formulário
decorrente dessa modificação e um exemplo de aplicação. O artigo foi submetido em
língua inglesa para o congresso internacional XVIII International Conference on
Industrial Engineering and Operations Management.
O artigo 3 – Comparação de Cartas de Controle com e sem a Influência da
Incerteza de Medição – contempla uma simulação computacional dos possíveis
diferentes cenários de aplicação de cartas de controle, com o objetivo de analisar qual a
mudança dos efeitos da presença de incerteza nesses diferentes cenários nos indicadores
de desempenho NMA0 e NMA1 da carta de controle. Combinando os parâmetros
tamanho de amostra, probabilidades limites, limites de controle e coeficiente de
variação do processo, foram simulados 108 cenários para cada indicador de
desempenho, totalizando 216 cenários. O artigo será submetido em língua inglesa para o
periódico internacional Measurement.
1.4.Delimitações do trabalho
O mapeamento dos periódicos realizado no primeiro artigo foi feito apenas nos
periódicos que constassem no Portal de Periódicos da CAPES e, dentre esses, apenas os
que tinham pelo menos cinco publicações sobre o tema Incerteza de Medição nos
últimos sete anos. Também foram excluídos livros, artigos publicados em congressos,
teses e dissertações.
O método desenvolvido para considerar a incerteza de medição nas cartas de
controle baseia-se em distribuições normais de incerteza, concordando com os
pressupostos do Guide to Expression of Uncertainty in Measurement (IEC-ISO, 2008).
Porém caso seja utilizado outro método de cálculo de incerteza cujo resultado não seja
uma distribuição normal (como Simulação de Monte Carlos, por exemplo), devem ser
realizadas adaptações no método.
As simulações realizadas na parte final do trabalho contemplam alguns dos
cenários mais indicados de acordo com o escopo do trabalho. Generalizações dos
cenários simulados devem ser feitas com cautela.
14
1.5.Estrutura do trabalho
Esta dissertação está dividida em três capítulos principais. Primeiramente é
introduzido o tema, justificando a importância acadêmica e prática. Nesse capítulo são
apresentados os objetivos, método e delimitações do trabalho.
No segundo capítulo são apresentados os três artigos propostos, decorrentes da
pesquisa realizada, conforme a Figura 1.
No último capítulo são apresentadas as considerações finais, resultantes da
pesquisa desenvolvida, contemplando conclusões e sugestões para trabalhos futuros.
15
2. ARTIGOS PROPOSTOS
2.1. ARTIGO 1 ....................................................................................................... 16
2.2. ARTIGO 2 ....................................................................................................... 39
2.3. ARTIGO 3 ....................................................................................................... 60
16
2.1. ARTIGO 1
INCERTEZA DE MEDIÇÃO: REVISÃO DA LITERATURA E
TENDÊNCIAS DE PESQUISA
MEASUREMENT UNCERTAINTY: LITERATURE REVIEW AND
RESEARCH TRENDS
Artigo aceito pelo periódico internacional
IEEE Transactions on Instrumentation and Measurement*
em Janeiro de 2012
* Este artigo foi submetido em língua inglesa
17
INCERTEZA DE MEDIÇÃO: REVISÃO DA LITERATURA E
TENDÊNCIAS DE PESQUISA
Pedro da Silva Hack
Programa de Pós-Graduação em Engenharia de Produção
Universidade Federal do Rio Grande do Sul, Porto Alegre/RS, Brasil
E-mail: pedrohack@producao.ufrgs.br
Carla Schwengber ten Caten
Programa de Pós-Graduação em Engenharia de Produção
Universidade Federal do Rio Grande do Sul, Porto Alegre/RS, Brasil
E-mail: tencaten@producao.ufrgs.br
Resumo: O artigo apresenta uma revisão e análise da literatura sobre incerteza de
medição. Foram examinados 114 artigos desde 2004 até 2010 nos periódicos
internacionais IEEE Transactions on Instrumentation and Measurement, Measurement,
Flow Measurement and Instrumentation e Precision Engineering. Os artigos foram
classificados de acordo com as seis abordagens identificadas durante a pesquisa e os
seis diferentes métodos de cálculo de incerteza utilizados pelos autores. O trabalho
apresenta um breve resumo do estado da arte e analisa o cenário de pesquisa sobre o
tema incerteza de medição e ao final apresenta sugestões de trabalhos futuros baseadas
na análise.
Palavras-chave: metrologia, incerteza de medição, revisão da literatura.
MEASUREMENT UNCERTAINTY: LITERATURE REVIEW AND
RESEARCH TRENDS
Abstract: This paper reviews and analyses studies concerning measurement
uncertainty, examining 114 papers published between 2004 and 2010 in the following
international journals: IEEE Transactions on Instrumentation and Measurement,
Measurement, Flow Measurement and Instrumentation and Precision Engineering. The
papers were classified according to six different approaches identified during the
research and six different methods of calculating uncertainty used by the authors of the
researched articles. The paper provides a short summary of the state of the art of
measurement uncertainty, analyzes the research scenario on the theme and, finally,
brings suggestions on future work based on the analysis.
Keywords: metrology, measurement uncertainty, literature review.
18
1. Introdução
Expressar a qualidade dos resultados das medições e ensaios é de essencial
importância não somente como um fator de vantagem competitiva entre diferentes
laboratórios, como também para prover uma estimativa da dúvida ao redor do resultado
e tornar possível a comparação de resultados distintos. A incerteza de medição é a
maneira mais simples e aceita de expressar essa confiança no resultado (DÉSENFANT;
PRIEL, 2006), além de ser uma exigência das normas internacionais de qualidade. Ela
consiste em um parâmetro, associado ao resultado de uma medição, que caracteriza a
dispersão dos valores que podem ser atribuídos ao mensurando (IEC-ISO, 2008a).
Com a publicação pela International Organization for Standardization (ISO) do
Guia para a Expressão da Incerteza de Medição (GUM) em, um método unificado para
a estimativa de incerteza de medição foi estabelecido mundialmente e vem sendo
utilizado pela maior parte da indústria, principalmente na área de calibração. Porém, em
muitos casos a metodologia do GUM pode não ser considerada a mais adequada ou
viável de ser implementada, seja pela complexidade dos cálculos envolvidos ou pelos
pré-requisitos exigidos pelo atual método (JORNADA, 2005).
A própria ISO, reconhecendo lacunas metodológicas deixadas pelo GUM,
publicou o guia Evaluation of measurement data – Supplement 1 to the ―Guide to the
expression of uncertainty in measurement‖ – Propagation of distributions using a
Monter Carlo method (IEC-ISO, 2008b) no qual é indicada a utilização da simulação de
Monte Carlo para cálculo de incerteza de medição. O método de Monte Carlo não
possui os mesmos pré-requisitos originalmente impostos pelo GUM e é
operacionalizado através de simulações experimentais ao invés de modelagens
matemáticas. Os métodos do GUM e Monte Carlo podem prover metodologias
suficientemente aceitas pela indústria e comunidade científica, mas ainda há aplicações
específicas que não conseguem expressar suas incertezas de medição por nenhum
desses dois métodos. Por conta disso, vêm surgindo novas metodologias, com
abordagens de cálculo distintas, para aplicações mais restritas que os métodos
convencionais, que visam suprir essas deficiências da indústria (GINIOTIS et al., 2004).
Diversos artigos foram publicados apresentando novas metodologias para essas
aplicações, bem como revisitando os métodos mais consolidados ou apresentando
aplicações não usuais para suas metodologias. O presente artigo tem como objetivo
mapear as publicações referentes à incerteza de medição nos últimos seis anos e
19
classificá-las de acordo com a abordagem, metodologia utilizada para cálculo, periódico
no qual foi publicado e ano de publicação.
Este trabalho é dividido em cinco seções. Após a introdução, é apresentado um
breve referencial teórico sobre incerteza de medição, seguido da seção 3 com os
procedimentos metodológicos utilizados para desenvolver o trabalho de revisão
bibliográfica. A análise e classificação dos artigos mapeados são apresentadas na seção
4 e a última seção resume as conclusões sobre os resultados obtidos.
2. Incerteza de Medição
Desde a publicação do GUM, tem havido um crescente reconhecimento de que a
incerteza de medição não é menos crítica do que o valor da própria medição (REZNIK;
DABKE, 2004). Além de fortemente utilizada na área de metrologia e ensaios, em
diversas outras áreas a incerteza de medição pode ser utilizada como o principal
parâmetro para comparar diferentes métodos, como apresentado por Augustyn (2008) e
Jokinen e Ritala (2010). Cataldo et al (2008), Santana et al (2008) e Melo et al (2009)
ainda demonstram a utilização da incerteza de medição para validar novas
metodologias.
2.1. Metodologia do GUM
O GUM é a metodologia mais utilizada para estimativa de incerteza de medição, o
qual formaliza um procedimento baseado em conhecimento estatístico e análise
experimental dos dados de uma medição.
Na maioria dos casos, o mensurando não é medido diretamente, mas determinado
a partir de outras grandezas através de uma função, conforme a equação (1).
(1)
Onde é o modelo matemático que expressa o mensurando em função das
grandezas de entrada.
As incertezas de cada uma das grandezas de entrada do modelo são avaliadas e
propagadas ao mensurando através da lei de propagação de incerteza, descrita na
equação (2).
20
∑(
)
∑ ∑
(2)
Onde representa a incerteza padrão do mensurando, são os
coeficientes de sensibilidade de cada variável, calculados através de derivadas parciais,
e são as incertezas das variáveis aleatórias das quais o mensurando depende.
Finalmente, a incerteza de medição expandida é o resultado da multiplicação da
incerteza padrão do mensurando pelo fator de abrangência.
(3)
O fator de abrangência é obtido a partir da combinação dos graus de liberdade
das diferentes grandezas de entrada e do intervalo de confiança desejado.
Para que a aplicação do GUM seja válida, algumas condições devem ser
satisfeitas. Quando a incerteza expandida for determinada, as seguintes quatro
circunstâncias devem ser observadas (JORNADA et al., 2010):
(1) Condições para o teorema do limite central, caracterizando Y como uma
distribuição normal ou t-student;
(2) Adequabilidade da equação para calcular os graus efetivos de liberdade
quando uma ou mais grandezas de entrada tiverem um grau de liberdade
associado finito;
(3) As grandezas de entrada sejam independentes quando os graus de liberdade
associados com suas incertezas são finitos; e
(4) Suficiente linearidade do modelo, através de uma expansão de primeira ordem
da série de Taylor.
O GUM descreve os objetivos a serem alcançados na estimativa de incerteza de
medição e as principais direções que deveriam ser seguidas para perseguir esses
objetivos. Entretanto, considerando problemas práticos e a grande varidade de situações
específicas, diferentes metodologias, de complexidades distintas, podem ser necessárias
(LOCCI et al., 2002).
Martens (2002) e Jornada (2007) apresentam elementos do GUM que podem
torná-lo uma abordagem difícil de ser implementada, enquanto Ferrero (2008) comenta
sobre a dificuldade de aplicar certos casos às recomendações do GUM. Heping e
21
Xiangqian (2009) ainda apontam situações onde a metodologia do GUM, apesar de
suficiente, pode ser melhorada. Além disso, Martens (2002) alega que a aplicação do
GUM pode ser difícil e exaustiva se algumas simplificações não forem adotadas.
2.2. Simulação de Monte Carlo
Visando suprir as dificuldades de determinadas áreas em utilizar a metodologia
apresentada pelo GUM, foi publicado em 2008 o Suplemento 1 ao GUM (IEC-ISO,
2008a), que aponta a utilização da Simulação de Monte Carlo como alternativa ao
cálculo da incerteza.
A Simulação de Monte Carlo utiliza informações a priori das grandezas de
entrada que afetam a incerteza através das suas distribuições de probabilidade, gera
números aleatórios para essas distribuições e então obtém uma probabilidade a
posteriori dos resultados (IEC-ISO, 2008b).
O Suplemento 1 propõe a propagação das funções de distribuição de
probabilidade das grandezas de entrada, ao invés de propagar apenas as suas variâncias,
como descrito no GUM. Esse método consiste em definir funções densidade de
probabilidade para cada grandeza de entrada e então propagá-las através do modelo
matemático até o mensurando, utilizando simulações numéricas. A incerteza de medição
é calculada de acordo com o intervalo de abrangência desejado (normalmente cerca de
95%) após um grande número de repetições.
A operacionalização através da Simulação de Monte Carlo não requer que sejam
calculados os coeficientes de sensibilidade através de derivadas parciais, o que pode ser
um fator de dificuldade da aplicação do GUM em muitos casos (JORNADA; CATEN,
2007). Além dessa vantagem, também é possível visualisar distribuições de
probabilidade assimétricas, que não satisfariam os requisitos da metodologia do GUM.
O método de Monte Carlo, além de poder ser utilizado de maneira auto-suficiente
para o cálculo da incerteza, também pode ser utilizada como validação dos cálculos pelo
método do GUM, pois a propagação de distribuições é uma forma mais abrangente da
lei de propagação de incertezas (JORNADA; CATEN, 2007). Oliveira et al (2009)
utilizam a Simulação de Monte Carlo para comparar métodos diferentes, e ainda
comparam os resultados com os obtidos através do GUM, para validá-los.
Um cuidado que se deve ter ao aplicar este método é com relação à qualidade de
geração dos números aleatórios e ao tamanho da semente aleatória. Tais fatores
impactam diretamente na qualidade do resultado da simulação (JORNADA, 2007).
22
2.3. Outros Métodos
Algumas aplicações não encontram no GUM ou na Simulação de Monte Carlo a
melhor abordagem para suas situações. Nesses casos, cada cenário exige um diferente
método científico de estimativa de incerteza que atenda suas necessidades individuais.
Mauris et al (2001) sugerem que as restrições impostas pelo GUM algumas vezes o
tornam impraticável em certas situações e que muitos métodos são propostos na
literatura para representar incerteza de medição e Jornada (2007) aponta que o GUM
pode acabar por subestimar ou até superestimar a incerteza em alguns casos.
Por outro lado, alguns trabalhos sugerem métodos complementares ou não-
conflitantes com o GUM, com o objetivo de refinar a metodologia para situações onde
os resultados das metodologias tradicionais não sejam suficientes. Nesse âmbito, Raznik
e Dabke (2004) discutem que o aumento da resolução e sensibilidade das medições
passou a requerer, dentre outros fatores, modelos físicos mais sofisticados para sua
descrição. Métodos alternativos tem sido adotados para superar essas dificuldades, dos
quais podem ser citados a integração numérica através de transformadas de Fourrier e
Mellin (JORNADA, 2007, JORNADA; CATEN, 2007) e a utilização de variáveis
Fuzzy.
3. Procedimentos Metodológicos
A pesquisa foi caracterizada como de natureza aplicada, visto que objetiva um
estudo direcionado sobre incerteza de medição. A abordagem foi qualitativa e
quantitativa, pois foram utilizados critérios qualitativos para a seleção e classificação
dos artigos mapeados e dados numéricos para as suas análises. Do ponto de vista dos
objetivos, a pesquisa foi classificada como exploratória, pois envolve diretamente o
levantamento bibliográfico e, do ponto de vista dos procedimentos, foi classificada
como bibliográfica, pois foi elaborada fundamentalmente a partir de material já
publicado (artigos científicos).
O trabalho foi desenvolvido em cinco etapas estruturadas: (i) seleção dos
periódicos a serem mapeados; (ii) mapeamento dos artigos científicos publicados nos
últimos seis anos nos periódicos selecionados; (iii) análise dos artigos quanto à critérios
pré-definidos; (iv) classificação dos artigos quanto aos critérios obtidos no terceiro
passo; (v) identificação das tendências atuais e oportunidades de pesquisa.
Os periódicos foram selecionados a partir de buscas nas bases de dados virtuais
Science Direct Online, Emerald e SciELO. Foi feita uma busca pelos artigos nos
23
últimos sete anos que possuíssem as expressões ―measurement uncertainty‖ ou
―uncertainty of measurement‖ nos seus títulos ou palavras-chave. A partir do resultado,
os seguintes periódicos (com seus fatores de impacto) tiveram o maior número de
publicações sobre o tema: IEEE Transactions on Instrumentation and Measurement
(1,02), Measurement (0,76), Flow Measurement and Instrumentation (0,72) e Precision
Engineering (1,18). Periódicos com menos de cinco publicações relacionadas à
incerteza de medição no período de análise não foram mapeados, bem como
publicações em congressos, livros, teses e dissertações. Nesse passo, os periódicos
excluídos foram os seguintes: Analytica Chimica Acta, Journal of Chromatography A,
Atmospheric Environment, International Journal of Pure and Applied Analytical
Chemistry, Applied Radiation and Isotopes, International Journal of Mass
Spectrometry, Journal of Hydrology, Journal of Sound and Vibration, Remote Sensing
of Environment, Clinical Biochemistry, Optics and Lasers in Engineering, Radiation
Physics and Chemistry.
No segundo passo foi feita uma nova busca nos periódicos já selecionados por
artigos publicados entre os anos de 2004 e 2010 que possuíssem ―uncertainty‖ no título
ou palavras-chave e, posteriormente, foi feita uma triagem manual dos resultados para
que somente fossem mapeados artigos que abordassem incerteza de medição como tema
principal do trabalho e os que não apresentassem somente um estudo de caso de cálculo
de Incerteza de Medição. Artigos que não explicitaram o método de cálculo de incerteza
também foram excluídos do estudo. Utilizando esses critérios, foram mapeados 114
artigos. Esse intervalo de sete anos foi escolhido devido a rápida redução no número de
publicações sobre o tema de 2003 a 1990, de acordo com as bases de dados
selecionadas.
Na análise dos artigos, preocupou-se em identificar critérios que os
diferenciassem entre si de acordo com o escopo do trabalho e sua metodologia, com o
objetivo de identificar as tendências atuais na área e possíveis oportunidades para
pesquisas futuras. Em seguida, foram selecionados como critérios para análise a
abordagem e metodologia de cálculo, juntamente com o ano de publicação e o periódico
no qual o artigo foi publicado. Foram identificadas as seguintes abordagens de incerteza
de medição: parâmetro de qualidade, apresentação de metodologia, sugestão de
melhoria, comparação de métodos, indicação de falhas e análise de risco. Quanto ao
método de cálculo, foram listados os seguintes: GUM, metodologias próprias, variáveis
Fuzzy, múltiplas metodologias, Monte Carlo e outras metodologias.
24
No quarto passo, cada artigo foi classificado de acordo com cada um dos critérios
selecionados no passo anterior. Além dessa classificação, foi também cruzado com os
mesmos critérios o número de publicações por ano de cada periódico.
Para finalizar, foi realizada uma análise baseada nesses dados, buscando
identificar quais as tendências envolvendo incerteza de medição nos últimos seis anos e
quais os setores com mais deficiência nessa área a fim de sugerir trabalhos futuros.
4. Artigos Mapeados
Na seção 4.1 os artigos foram classificados quanto às abordagens: parâmetro de
qualidade, apresentação de metodologia, sugestão de melhoria, comparação de métodos,
indicação de falhas e análise de risco e na seção 4.2 quanto ao método de cálculo:
GUM, metodologias próprias, variáveis Fuzzy, múltiplas metodologias, Monte Carlo e
outras metodologias. Em cada seção são descritos alguns artigos como exemplos dos
motivos de suas classificações.
4.1. Classificação quanto à abordagem
A Tabela 1 apresenta a distribuição das abordagens identificadas em relação aos
periódicos. Uma enumeração dos artigos mapeados quanto às suas abordagens está
descrita no Apêndice A.
Tabela 1 – Classificação cruzada de abordagens encontradas e periódicos
Abordagem Measurement
IEEE
Transactions on
Instrumentation
& Measurement
Precision
Engineering
Flow
Measurement and
Instrumentation
Total %
Parâmetro de
qualidade 21 12 10 5 48 42,1
Apresentação
de método 10 14 2 26 22,8
Sugestão de
melhoria 13 9 1 23 20,2
Comparação
de métodos 5 4 9 7,9
Indicação de
falhas 3 1 4 3,5
Análise de
risco 3 1 4 3,5
Total 55 40 14 5 114 100,0
% 48,2 35,1 12,3 4,4 100,0
25
4.1.1. Artigos que utilizam Incerteza de Medição como parâmetro de qualidade
A abordagem mais encontrada nos artigos mapeados foi o uso de Incerteza de
Medição como principal parâmetro para comparação de diferentes metodologias de
medição, calibração ou ensaio. Merkac e Acko (2010) apresentam um novo método de
calibração para anéis de segmento (thread rings) e o compara com outros dois métodos
clássicos, baseando-se na análise de incerteza dos métodos para escolher o mais
adequado. Um método para recontrução de formas 3-D foi proposto por De Cecco et al
(2010), no qual é comparada a incerteza de dois diferentes métodos. Na mesma linha,
Galliana et al (2009) analisam os métodos de calibração de resistores de alta tensão no
National Institute of Metrological Research da Itália, Giniotis e Rybokas (2009)
propõem a criação de um novo padrão internacional para medição de ângulos e Forbes
et al (2009) analisam as diferentes formas de medir coordenadas cartesianas.
4.1.2. Artigos que apresentam novas metodologias
Vinte e seis artigos foram encontrados apresentando metodologias para o cálculo
de incerteza, dos quais cinco utilizaram a teoria de variáveis aleatórias Fuzzy (três
baseados na teoria da possibilidade e dois na teoria de evidência), dois basearam-se no
uso de Polinômios Caóticos (Polynomial Chaos) e um em Monte Carlo. Farooqui et al
(2009) demonstram um método baseado em técnicas de bootstraping para avaliar a
incerteza de medições de cilindros (cilindricity). Utilizando a teoria de variáveis Fuzzy,
Pertile et al (2010) apresentam um método aprimorado para incerteza de medições 2-D
e De Capua e Romeo (2007) propõem um método para avaliar incerteza nas medições
de distorções harmônicas. Bono et al (2010) desenvolvem um método para avaliar
incerteza com a qual a ferramenta de corte é posicionada em tornos mecânicos de alta
precisão.
4.1.3. Artigos que sugerem melhorias aos métodos
Alguns trabalhos focaram-se em apresentar melhorias e correções para métodos já
consolidados, para aplicações específicas onde existem algumas deficiências. Dezoito
desses artigos sugeriram melhorias para o método do GUM, três para o método baseado
em variáveis Fuzzy e dois em Monte Carlo. Vilbaste et al (2010) e Fotowicz (2004)
debatem a melhor forma de determinar o fator de abrangência na metodologia do GUM.
Também baseado nessa metodologia, Hall (2005) demonstra uma forma para avaliar
26
sistemas modulares de medição e Braudaway (2006) identifica um tratamento mais
adequado para sistemas de aquisição de dados. Para variáveis Fuzzy, Ferrero e Salicone
(2009) propõem melhorias na forma como as informações do sistema devem ser
utilizadas baseando-se na teoria da evidência, enquanto De Capua e Romero (2009)
introduzem o uso de triangular norm operators para modelar certos sistemas utilizando
a teoria da possibilidade.
4.1.4. Artigos comparando métodos diferentes
Nove trabalhos foram mapeados cuja intenção é comparar duas ou mais
metodologias já existentes, concluindo sobre qual o melhor método ou apenas
apontando suas diferenças. Chakrabarti et al (2009) discutem as divergências entre os
métodos do GUM, Monte Carlo e Fuzzy na aplicação variáveis de estado em sistemas
de potência, enquanto Désenfant e Priel (2006) introduzem diferentes alternativas para
estimativa de incerteza em sitações onde o GUM não é o melhor método. Shahanaghi e
Nakhjiri (2010) estudam as diferenças e limitações dos métodos do GUM e Monte
Carlo, e desenvolvem um algorítmo de otimização para essas situações.
4.1.5. Artigos identificando deficiências metodológicas
Quatro artigos basearam-se na análise apenas das deficiências de métodos de
estimativa de incerteza. Enquanto Wirandi e Lauber (2006) trabalham sobre as
limitações do GUM para variáveis qualitativas, Mari (2005) apresenta lacunas na
própria epistemologia da metrologia que impactam na estimativa de incerteza.
4.1.6. Artigos sobre análise de risco
Quatro dos artigos mapeados aplicaram a teoria de Incerteza de Medição na área
de análise de risco e tomada de decisão. Pendrill (2006) avalia a relação de custo da
análise de incerteza contra as consequências de uma tomada de decisão incorreta e
Rossi e Crenna (2006) apresentam uma metodologia que unifica a análise de risco com
a Incerteza de Medição, enquanto Forbes (2006) considera o impacto da Incerteza de
Medição na inspeção de qualidade de um produto.
27
4.2. Classificação quanto ao método
A Tabela 2 apresenta os métodos de cálculo de Incerteza de Medição e suas
distribuições conforme os periódicos mapeados.
Tabela 2 - Classificação cruzada de métodos de cálculo e periódicos
Metodologia Measurement
IEEE
Transactions on
Instrumentation
& Measurement
Precision
Engineering
Flow Measurement
and
Instrumentation
Total %
GUM 34 15 10 4 63 55,3
Próprio 9 6 1 16 14,0
Fuzzy 1 9 10 8,8
Múltiplas 5 4 9 7,9
Monte Carlo 3 3 2 8 7,0
Outros 3 3 1 1 8 7,0
Total 55 40 14 5 114 100,0
% 48,2 35,1 12,3 4,4 100,0
4.2.1. Artigos que utilizam a metodologia do GUM
A metodologia de cálculo mais encontrada na literatura foi de fato a apresentada
no GUM. Lira e Cargill (2004) enfatizam que a incerteza na calibração de máquinas
CNC não deve ser calculada de acordo com a ISO 230-2, mas sim com o GUM para que
haja concordância internacional. Acko (2005) apresenta uma metodologia de calibração
que, para ser acreditada, utiliza a norma internacional. Forbes et al (2009) utilizam as
técnicas apresentadas no GUM para tratamento multivariado de probabilidade no seu
estudo.
4.2.2. Artigos que utilizam metodologias próprias
Dezesseis artigos utilizaram metodologias propostas pelos próprios autores. Ao
propor novos métodos para medição de exposição a campos eletromagnéticos, Stratakis
et al (2010) não encontram suporte nas metodologias existentes e desenvolvem uma
nova sistemática para avaliação de incerteza. Para casos em que as simplificações
assumidas pelo GUM não podem ser consideradas, Mekid e Vaja (2008) desenvolvem
28
equações de cálculo de incerteza incluindo elementos de segunda e terceira ordem com
momentos de ordem mais elevada que as apresentadas no GUM.
4.2.3. Artigos que utilizam a metodologia de variáveis Fuzzy
Ferrero e Salicone (2004) introduzem o uso de variáveis Fuzzy baseadas na teoria
da evidência no cálculo de Incerteza de Medição, utilizado posteriormente por Ferrero
et al. (2004), Ferrero e Salicone (2009) e Ferrero e Salicone (2005), outros autores
(WIRANDI et al., 2009, PERTILE et al., 2010, CAPUA; ROMEO, 2007) baseiam seus
artigos nessa metodologia. Al-Othman (2009) ainda utiliza um estimador linear de
estados Fuzzy para modelar a incerteza de um sistema de potência.
4.2.4. Artigos que utilizam o método de Monte Carlo
Nove artigos utilizaram o método de Monte Carlo no cálculo de Incerteza de
medição. Bringman e Knapp (2009) e Liebrich et al (2009) comentam que no uso de
uma placa de esferas (3D-Ball Plate), a incerteza é afetada por muitos fatores externos
ao processo de medição, e para tanto é necessária a simulação de Monte Carlo.
Bastiaensen et al (2008) utilizam Monte Carlo por ser a melhor forma de propagar
incertezas uma vez que as distribuições das contribuições são conhecidas e Oliveira et
al (2009) analisam o efeito de variáveis correlacionadas nas incertezas das variáveis
elétricas de células de combustível.
4.2.5. Artigos que utilizam metodologias múltiplas
Alguns artigos abordaram mais de um método de cálculo, particularmente os que
basearam seus artigos em comparações de metodologias. Velychko e Gordiyenko
(2007) apresentam as metodologias indicadas em aplicações na área ambiental,
enquanto D’Errico (2009) afirma que dentre as diferentes metodologias analisadas,
apenas o cálculo de probabilidade não viola as leis clássicas da lógica. Apesar de adotar
Monte Carlo, Shahanaghi e Nakhjiri (2009) traçam um paralelo com a metodologia do
GUM e apontam suas diferenças na calibração de termômetros por resistência de
platina. Salicone e Tinarelli (2006) também discutem as diferenças entre a metodologia
do GUM e variáveis Fuzzy em análise de sinais baseados em transformadas Wavelet.
29
4.2.6. Artigos que utilizam outros métodos
Artigos que não utilizaram as metodologias citadas anteriormente também foram
mapeados. Hsu e Chen (2010) utilizam a metodologia da EURACHEM/CITAC para
medições de espectometria, enquanto Lovett et al (2006), Monti e Ponci (2010) e Smith
et al (2009) utilizam Polinômios Caóticos em seus trabalhos. Bitou (2009) ainda utiliza
a metodologia da incerteza relativa para seus cálculos.
4.3. Análise
De acordo com a Tabela 1 o maior uso de Incerteza de Medição em publicações,
dentre as abordagens identificadas, é como parâmetro de qualidade para comparar entre
diferentes aplicações metrológicas com objetivo em comum. O segundo maior número
de artigos encontrado foi referente às publicações que apresentavam metodologias de
cálculo de incerteza. Combinadas, essas abordagens representam aproximadamente 65%
dos artigos.
Conforme a Tabela 2 o GUM é a metodologia mais utilizada pelos pesquisadores
em todos os periódicos consultados, concentrando mais da metade dos artigos. Não há
uma hegemonia entre os demais métodos, apesar de as variáveis Fuzzy terem um
número razoável de publicações tendo em vista que foi uma metodologia apresentada
recentemente.
A Tabela 3 apresenta uma análise do número de artigos por periódico em cada ano
mapeado. Measurement e IEEE Transactions on Instrumentation & Measurement foram
os periódicos com o maior número de publicações relevantes para a pesquisa dentro do
intervalo analisado, concentrando mais de 83% dos artigos. Observa-se também uma
concentração maior de publicações no ano de 2009, que também foi o ano com o maior
número de publicações no periódico Measurement, indicando uma crescimento recente
na pesquisa sobre Incerteza de Medição.
30
Tabela 3 – Concentração de artigos por ano e por periódico
Periódico 2004 2005 2006 2007 2008 2009 2010 Total %
Measurement 5 4 8 7 6 15 10 55 48,2
IEEE Transactions on
Instrumentation &
Measurement
5 6 10 4 3 8 4 40 35,1
Precision Engineering 2 2 1 1 2 3 3 14 12,3
Flow Measurement and
Instrumentation 1 1 2 1 5 4,4
Total 12 13 19 13 11 28 18 114 100
% 10,5 11,4 16,7 11,4 9,6 24,6 15,8 10,5
A Tabela 4 compara as abordagens identificadas com as metodologias de cálculo
utilizadas pelos autores. É possível notar que o método GUM, apesar de ser muito
abordado, foi o método mais criticado pelos autores dos artigos mapeados: um número
elevado de artigos sugere melhorias e aponta problemas. A metodologia baseada em
variáveis Fuzzy, particularmente a baseada na teoria da evidência, claramente está em
fase de desenvolvimento, mas apresenta uma tendência em se tornar uma forte
alternativa ao GUM, o que pode ser visto pelo número de artigos publicados e
explicando a robustez do método ao lidar com a pouca informação disponível, que é
frequentemente encontrado na indústria (FERRERO; SALICONE, 2009). Também
foram apresentadas diversas metodologias de cálculo, mas observa-se que suas
aplicações são muito restritas ou pouco exploradas, pois não são encontradas em
publicações além das quais foram inicialmente apresentadas.
A análise dos 114 artigos sobre Incerteza de Medição revelou que a metodologia
do GUM, apresentada há mais de uma década, ainda é a mais utilizada (55,3% dos
artigos). Mesmo tendo limitações e com diversas outras metodologias sendo propostas
no decorrer dos anos, os pesquisadores, de uma forma geral, ainda preferem segui-la.
Porém, mesmo o método do GUM sendo o mais solicitado, também apresenta-se como
o mais criticado. A apresentação de métodos alternativos para cálculo de incerteza
também se mostrou acentuado (22,8% dos artigos), sendo que o método de variáveis
Fuzzy, apresentado em 2004 por Ferrero e Salicone (2004), parece ser muito
promissora, visto que ela não necessariamente entra em conflito com o GUM, mas o
considera como um caso particular (FERRERO; SALICONE, 2009).
31
Tabela 4 – Concentração de artigos por abordagem e metodologia
Abordagem GUM Próprio Fuzzy Múltiplas Monte
Carlo Outros Total %
Parâmetro de
qualidade 37 1 2 4 4 48 42,1
Apresentação
de método 15 5 2 4 26 22,8
Sugestão de
melhoria 18 3 2 23 20,2
Comparação
de métodos 9 9 7,9
Indicação de
falhas 4 4 3,5
Análise de
risco 4 4 3,5
Total 63 16 10 9 8 8 114 100,0
% 55,3 14,0 8,8 7,9 7,0 7,0 100,0
Para futuros trabalhos, alguns tópicos parecem promissores. Existem poucos
trabalhos abordando análise de risco utilizando técnicas de Incerteza de Mediçao e todos
os trabalhos mapeados utilizaram o método do GUM, apontando uma oportunidade para
talvez utilizar outros métodos de cálculo. Também poucos trabalhos foram publicados
estudando as características de outros métodos de cálculo além do GUM. A interface
com outras técnicas estatísticas para estimativa de incerteza também foi utilizada em
poucos artigos. Ainda foram identificadas algumas lacunas na literatura. O único campo
da ciência além de metrologia encontrado utilizando a teoria de Incerteza de Medição
foi a análise de risco. O impacto da incerteza em indicadores econômicos e de produção
não foi abordado em nenhum dos artigos. Outros temas não abordados foram a análise
de Incerteza de Medição em cartas de controle e outras ferramentas da qualidade e a
aplicação da incerteza na metrologia da nanotecnologia.
5. Conclusão
A Incerteza de Medição é hoje de grande importância para a indústria, sendo
considerada tão importante quanto o próprio resultado da medição. Devido a essa
importância, vêm surgindo diferentes métodos para o cálculo de incerteza para diversas
aplicações. O objetivo desse artigo foi apresentar uma análise da literatura classificando
32
artigos sobre o tema nos últimos anos em relação à abordagem e ao método de cálculo
utilizado no artigo.
Foram analisados 114 artigos em quatro periódicos internacionais publicados
entre 2004 e 2010. Os artigos foram classificados de acordo com as seis abordagens e os
seis diferentes métodos de cálculo, Foram avaliados os artigos verificando-se a
concentração do número de artigos por abordagem e por método utilizado e também do
número de publicações por ano e por periódicos nos quais os artigos foram publicados.
Os periódicos Measurement e IEEE Transactions on Instrumentation &
Measurement contemplaram aproximadamente 83% das publicações analisadas. As
abordagens mais encontradas sobre incerteza de medição foram parâmetro de qualidade
para comparação e apresentações de metodologias (64,9% ao todo). Poucas publicações
foram encontradas abordando Incerteza de Medição em outras áreas da ciência, sendo
análise de risco o único tópico abordado, com 3,5% dos artigos. O método mais
utilizado pelos autores para cálculo de incerteza foi o do GUM (55,3% dos artigos),
seguido por metodologias desenvolvidas pelos próprios autores dos artigos (14%). Das
metodologias alternativas, a mais utilizada nos trabalhos foi a de variáveis Fuzzy,
presente em 8,8% dos artigos.
Estudos envolvendo aplicação da teoria de Incerteza de Medição em outras áreas
foram sugeridos, em especial em conjunto com ferramentas da qualidade como cartas de
controle, e também a sua aplicação na nanotecnologia.
6. Bibliografia
1. Acko, B. Calibration of electronic levels using a special sine bar. Precision Engineering, vol. 29, pp.
48-55, 2005.
2. Al-Othman, A.K. A fuzzy state estimator based on uncertain measurements. Measurement, vol. 42,
pp. 628-637, 2009.
3. Angrisani, L.; D’Apuzzo, M.; Lo Moriello, R.S. Unscented Transform: A Powerful Tool for
Measurement Uncertainty Evaluation. IEEE Trans. Instrum. Meas., vol. 55, pp. 737-743, 2006.
4. Angrisani, L.; Lo Moriello, R.S.; D’Apuzzo, M. New Proposal for Uncertainty Evaluation in
Indirect Measurements. IEEE Trans. Instrum. Meas., vol. 55, pp. 1059-1064, 2006.
5. Attivissimo, F.; Giaquinto, N.; Savino, M. Uncertainty evaluation in dithered ADC-based
instruments. Measurement, vol. 41, pp. 364–370, 2008.
6. Augustyn, J. Some LMS-based algorithms for impedance measurements. Measurement, vol. 41, pp.
178-185, 2008.
7. B. D. Hall, Propagating Uncertainty in Instrumentation Systems. IEEE Trans. Instrum. Meas., vol.
54, pp. 2376-2380, 2005.
8. Bachmanna, J.; Linares, J.M.; Sprauel, J. M.; Bourdet, P. Aide in decision-making: contribution to
uncertainties in three-dimensional measurement. Precision Engineering, vol. 28, pp. 78–88, 2004.
9. Barini, E. M.; Tosello, G.; Chiffre, L. Uncertainty analysis of point-by-point sampling complex
surfaces using touch probe CMMs DOE for complex surfaces verification with CMM. Precision
Engineering, vol. 34, pp. 16–21, 2010.
33
10. Bastiaensen, C.; Deprez, W.; Symens, W.; Driesen, J. Parameter Sensitivity and Measurement
Uncertainty Propagation in Torque-Estimation Algorithms for Induction Machines. IEEE Trans.
Instrum. Meas., vol. 57, pp. 2727-2732, 2008.
11. Batista, E.; Pinto, L.; Filipe, E.; Veen, A.M.H. Calibration of micropipettes: Test methods and
uncertainty analysis. Measurement, vol. 40, pp. 338–342, 2007.
12. Bertocco, M.; Sona, A.; Zanchetta, P. An Improved Method for the Evaluation of Uncertainty of
Channel Power Measurement With a Spectrum Analyzer. IEEE Trans. Instrum. Meas., vol. 56, pp.
1165-1170, 2007.
13. Betta, G.; Liguori, C.; Pietrosanto, A. Uncertainty Evaluation in Algorithms With Conditional
Statement. IEEE Trans. Instrum. Meas., vol. 53, pp. 969-976, 2004.
14. Bitou, Y. High-accuracy displacement metrology and control using a dual Fabry-Perot cavity with
an optical frequency comb generator. Precision Engineering, vol. 33, pp. 187-193, 2009.
15. Bono, M. J.; Seugling, R. M.; Kroll, J. J.; Nederbragt, W. W. An uncertainty analysis of tool setting
methods for a precision lathe with a B-axis rotary table. Precision Engineering, vol. 32, pp. 242-
252, 2010.
16. Braudaway, D. W. Uncertainty Specification for Data Acquisition (DAQ) Devices. IEEE Trans.
Instrum. Meas., vol. 55, pp. 74-78, 2006.
17. Bringmann, B.; Knapp, W. Machine tool calibration: Geometric test uncertainty depends on
machine tool performance. Precision Engineering, vol. 33, pp. 524-529, 2009.
18. Cataldo, A.; Tarricone, L.; Vallone, M.; Attivissimo, F.; Trotta, A. Uncertainty Estimation in
Simultaneous Measurements of Levels and Permittivities of Liquids Using TDR Technique. IEEE
Trans. Instrum. Meas., vol. 57, pp. 454-466, 2008.
19. Cataldo, A.; Vallone, M.; Tarricone, L.; Attivissimo, F. An evaluation of performance limits in
continuous TDR monitoring of permittivity and levels of liquid materials. Measurement, vol. 41, pp.
719-730, 2008.
20. Chakrabarti, S.; Kyriakides, E.; Albu, M. Uncertainty in Power System State Variables Obtained
Through Synchronized Measurements. IEEE Trans. Instrum. Meas., vol 58, pp. 2452-2458, 2009.
21. Chen, H.; Wu, P.; Huang, J.; Chen, L. Uncertainty analysis for measurement of measurand.
Measurement, vol. 43, pp. 1250–1254, 2010.
22. Chen, X.; Wan, Y.; Koenders, L.; Schilling, M. Measurements of dimensional standards and etalons
with feature size from tens of micrometres to millimetres by using sensor strengthened
nanomeasuring machine. Measurement, vol. 43, pp. 1369–1375, 2010.
23. Choi, H.M.; Park, K.A.; Oh, Y.K.; Choi, Y.M. Improvement and uncertainty evaluation of mercury
sealed piston prover using laser interferometer. Flow Meas. and Instrum., vol. 20, pp. 200-205,
2009.
24. D’Antona, G. Measurement Data Processing Using Random Matrices: A Generalized Formula for
the Propagation of Uncertainty. IEEE Trans. Instrum. Meas., vol. 53, pp. 537-545, 2004.
25. D’Errico, G. E. Paradigms for uncertainty treatments: A comparative analysis with application to
measurement. Measurement, vol. 42, pp. 494-500, 2009.
26. De Capua, C.; Romeo, E. A Smart THD Meter Performing an Original Uncertainty Evaluation
Procedure. IEEE Trans. Instrum. Meas., vol. 56, pp. 1257-1264, 2007.
27. De Capua, C.; Romeo, E. A t-Norm-Based Fuzzy Approach to the Estimation of Measurement
Uncertainty. IEEE Trans. Instrum. Meas., vol 58, pp. 350-355, 2009.
28. De Cecco, M.; Pertile, M.; Baglivo, L.; Lunardelli, M.; Setti, F.; Tavernini, M. A Unified
Framework for Uncertainty, Compatibility Analysis, and Data Fusion for Multi-Stereo 3-D Shape
Estimation. IEEE Trans. Instrum. Meas., vol.59, pp. 2834-2842, 2010.
29. De Santo, M.; Liguori, C.; Paolillo, A.; Pietrosanto, A. Standard uncertainty evaluation in image-
based measurements. Measurement, vol. 36, pp. 347–358, 2004.
30. Désenfant, M.; Priel, M. Road map for measurement uncertainty evaluation. Measurement, vol. 39,
pp. 841-848, 2006.
31. Dey, D.; Chatterjee, B.; Chakravorti, S.; Munshi, S. Importance of denoising in dielectric response
measurements of transformer insulation: An uncertainty analysis based approach. Measurement, vol.
43, pp. 54–66, 2010.
32. Ellis, J.D.; Smith, S.T.; Hocken, R.J. Alignment uncertainties in ideal indentation styli. Precision
Engineering, vol. 32, pp. 207–214, 2008.
33. Farooqui, S.A.; Doiron, T.; Sahay, C. Uncertainty analysis of cylindricity measurements using
bootstrap method. Measurement, vol. 42, pp. 524-531, 2009.
34. Feng, C.J.; Saal, A.L.; Salsbury, J.G.; Ness, A.R.; Lin, G.C.S. ―Design and analysis of experiments
in CMM measurement uncertainty study. Precision Engineering, vol. 31, pp. 94–101, 2007.
34
35. Ferrero, A. Measuring electric power quality: Problems and perspectives. Measurement, vol. 41, pp.
121-129, 2008.
36. Ferrero, A.; Gamba, R.; Salicone, S. A Method Based on Random-Fuzzy Variables for Online
Estimation of the Measurement Uncertainty of DSP-Based Instruments. IEEE Trans. Instrum.
Meas., vol. 53, pp. 1362-1369, 2004.
37. Ferrero, A.; Salicone, S. Fully Comprehensive Mathematical Approach to the Expression of
Uncertainty in Measurement. IEEE Trans. Instrum. Meas., vol. 55, pp. 706-712, 2006.
38. Ferrero, A.; Salicone, S. The Construction of Random–Fuzzy Variables From the Available
Relevant Metrological Information. IEEE Trans. Instrum. Meas., vol. 58, pp. 365-374, 2009.
39. Ferrero, A.; Salicone, S. The Use of Random-Fuzzy Variables for the Implementation of Decision
Rules in the Presence of Measurement Uncertainty. IEEE Trans. Instrum. Meas. Vol. 54, 1482-
1488, 2005.
40. Ferrero, A; Salicone, S. The Random-Fuzzy Variables: A New Approach to the Expression of
Uncertainty in Measurement. IEEE Trans. Instrum. Meas., vol. 53, pp. 1370-1377, 2004.
41. Ferrero, A;. Salicone, S. A Comparative Analysis of the Statistical and Random-Fuzzy Approaches
in the Expression of Uncertainty in Measurement. IEEE Trans. Instrum. Meas., vol. 54, pp. 1475-
1481, 2005.
42. Fischer, A.; Pfister, T.; Czarske, J. Derivation and comparison of fundamental uncertainty limits for
laser-two-focus velocimetry, laser Doppler anemometry and Doppler global velocimetry.
Measurement, vol. 43, pp. 1556–1574, 2010.
43. Forbes, A.B. Measurement uncertainty and optimized conformance assessment. Measurement, vol.
39, pp. 808-814, 2006.
44. Forbes, A.B.; Hughes, B.; Sun, W. Comparison of measurements in co-ordinate metrology.
Measurement, vol. 42, pp. 1473-1477, 2009.
45. Fotowicz, P. A method of approximation of the coverage factor in calibration. Measurement, vol.
35, pp. 251-256, 2004.
46. Furuichi, N.; Sato, H.; Terao, Y.; Takamoto, M. A new calibration facility for water flowrate at high
Reynolds number. Flow Meas. and Instrum., vol. 20, pp. 38-47, 2009.
47. Gadelmawla, E. S. Development of a microscopic computer aided measurement system and its
uncertainty Measurement, vol. 41, pp. 1152–1161, 2008.
48. Galliana, F.; Capra, P.P.; Gasparotto, E. Metrological management of the high dc resistance scale at
INRIM. Measurement, vol. 42, pp. 314-321, 2009.
49. Ghiani, E.; Locci, N.; Muscas, C. Auto-Evaluation of the Uncertainty in Virtual Instruments. IEEE
Trans. Instrum. Meas., vol. 53, pp. 672-677, 2004.
50. Giniotis, V.; Grattan, K.T.V.; Rybokas M.; Kulvietiene, R. Uncertainty and indeterminacy of
measurement data. Measurement, vol. 36, pp. 195-202, 2004.
51. Giniotis, V.; Rybokas, M. Traceability enhancement in angle measurements. Measurement, vol. 42,
pp. 1516-1521, 2009.
52. Godina, A.; Acko, B.; Druzovec, M. New approach to uncertainty evaluation in the calibration of
gauge block comparators. Measurement, vol. 40, pp. 607–614, 2007.
53. Hale, P.D.; Wang, C.M.J. Calculation of Pulse Parameters and Propagation of Uncertainty. IEEE
Trans. Instrum. Meas., vol. 58, pp. 639-648, 2009.
54. Haycocks, J.; Jackson, K. Traceable calibration of transfer standards for scanning probe microscopy.
Precision Engineering, vol. 29, pp. 168–175, 2005.
55. Heping, P.; Xiangqian, J. Evaluation and management procedure of measurement uncertainty in new
generation geometrical product specification (GPS). Measurement, vol. 42, pp. 653-660, 2009.
56. Hernandez, W. Optimal estimation of the relevant information coming from a rollover sensor placed
in a car under performance tests. Measurement, vol. 41, pp. 20–31, 2008.
57. Hsu, K.; Chen, C.S. The effect of calibration equations on the uncertainty of UV–Vis
spectrophotometric measurements. Measurement, vol. 49, pp. 1525-1531, 2010.
58. IEC-ISO, Guide to the Expression of Uncertainty in Measurement, 2008a.
59. IEC-ISO, Evaluation of measurement data — Supplement 1 to the ―Guide to the expression of
uncertainty in measurement‖ — Propagation of distributions using a Monte Carlo method, 2008b.
60. Iida, H.; Shimada, Y.; Komiyama, K. Noise Temperature and Uncertainty Evaluation of a Cryogenic
Noise Source by a Sliding Short Method. IEEE Trans. Instrum. Meas.,vol. 58, pp. 1090-1096, 2009.
61. Jokinen, H.; Ritala, R. Value of measurement information: A simple case study on grade change
decisions. Measurement, vol. 43, pp. 122-134, 2010.
62. Jornada, D. Calculation of measurement uncertainty: a comparative study of GUM, Monte Carlo and
numerical integration. In Congresso da Qualidade em Metrologia, São Paulo, Brasil, 2007.
35
63. Jornada, D. Uso de Planilhas Eletrônicas para Implementação do Método de Monte Carlo para
Estimativa de Incerteza de Medição. In Encontro para a Qualidade de Laboratórios, São Paulo,
Brasil, 2005.
64. Jornada, D.; Caten, C.S. A review of approaches and methods for calculating uncertainty. In V
Congresso Latino Americano de Metrologia, Paraná, Brasil, 2007.
65. Jornada, D.; Caten, C.S.; Pizzolato, M. Guidance documents on measurement uncertainty: an
overview and critical analysis. Journal of Measurement Science, vol. 1, pp. 68-76, 2010.
66. Kobayoshi, M.; Chui, Q.S.H. The positioning influence of dial gauges on their calibration results.
Measurement, vol. 38, pp 67–76, 2005.
67. Korpelainen, V.; Seppa, J.; Lassila, A. Design and characterization of MIKES metrological atomic
force microscope. Precision Engineering, vol. 34, pp. 735–744, 2010.
68. Kurokawa, S.; Hirose, M.; Komiyama, K. Measurement and Uncertainty Analysis of Free-Space
Antenna Factors of a Log-Periodic Antenna Using Time-Domain Techniques. IEEE Trans. Instrum.
Meas., vol. 58, pp. 1120-1125, 2009.
69. Lampasi, D.A. An alternative approach to measurement based on quantile functions. Measurement,
vol. 41, pp. 994–1013, 2008.
70. Lampasi, D.A.; Di Nicola, F.; Podestà, L. Generalized Lambda Distribution for the Expression of
Measurement Uncertainty. IEEE Trans. Instrum. Meas., vol. 55, pp. 1281-1287, 2006.
71. Lazzari, A.; Iuculano, G. Evaluation of the uncertainty of an optical machine with a vision system
for contact-less three-dimensional measurement. Measurement, vol. 36, pp. 215–231, 2004.
72. Lee, J.; Kim, J.; Park, J.; Kang, U. Uncertainty Evaluation of a Broadband Attenuation Standard.
IEEE Trans. Instrum. Meas., vol. 54, pp. 705-708, 2005
73. Liebrich, T.; Bringmann, B.; Knapp, W. Calibration of a 3D-ball plate. Precision Engineering, vol.
33, pp, 1-6, 2009.
74. Link, A.; Taübner, A.; Wabinski, W.; Bruns, T.; Elster, C. Modelling accelerometers for transient
signals using calibration measurements upon sinusoidal excitation. Measurement, vol. 40, pp. 928–
935, 2007.
75. Lira, I.; Cargill, G. Uncertainty analysis of positional deviations of CNC machine tools. Precision
Engineering, vol. 28, pp. 232-239, 2004.
76. Locci, N.; Muscas, C.; Ghiani, E. Evaluation of uncertainty in measurements based on digitized
data. Measurement, vol. 32, pp. 265-272, 2002.
77. Locci, N.; Muscas, C.; Sulis, S. Modeling ADC Nonlinearity in Monte Carlo Procedures for
Uncertainty Estimation. IEEE Trans. Instrum. Meas., vol. 55, pp. 1671-1676, 2006.
78. Lorefice, S. Traceability and uncertainty analysis in volume measurements. Measurement, vol. 42,
pp. 1510–1515, 2009.
79. Lovett, T. E.; Ponci, F.; Monti, A. A Polynomial Chaos Approach to Measurement Uncertainty.
IEEE Trans. Instrum. Meas., vol. 55, pp. 729-736, 2006.
80. Lu, T.; Chen, C. Uncertainty evaluation of humidity sensors calibrated by saturated salt solutions.
Measurement, vol. 40, pp. 591–599, 2007.
81. Mao, J.; Cao, Y.; Yang, J. Implementation uncertainty evaluation of cylindricity errors based on
geometrical product specification (GPS). Measurement, vol. 42, pp. 742–747, 2009.
82. Mari, L. The problem of foundations of measurement. Measurement, vol. 38, pp. 259-266, 2005.
83. Mariscotti, A. Measurement Procedures and Uncertainty Evaluation for Electromagnetic Radiated
Emissions From Large-Power Electrical Machinery. IEEE Trans. Instrum. Meas., vol. 56, pp. 2452-
2463, 2007.
84. Martens, H. Evaluation of uncertainty in measurements – problems and tools. Optics and Lasers in
Engineering, vol. 38, pp. 185-206, 2002.
85. Mauris, G.; Lasserre, V.; Foulloy, L. A fuzzy approach for the expression of uncertainty in
measurement. Measurement, vol. 29, pp. 165-177, 2001.
86. Mayor, T.S.; Pinto, A.M.F.R.; Campos, J.B.L.M. An image analysis technique for the study of gas–
liquid slug flow along vertical pipes—associated uncertainty. Flow Meas. and Instrum., vol. 18, pp.
139-147, 2007.
87. Mekid, S.; Vaja, D. Propagation of uncertainty: Expressions of second and third order uncertainty
with third and fourth moments. Measurement, vol. 41, pp. 600-609, 2008.
88. Melo, C.F.; Araújo, R.L.; Ardjomand, L.M.; Quoirin, N.S.R.; Ikeda, M.; Costa, A.A. Calibration of
low frequency magnetic field meters using a Helmholtz coil. Measurement, vol. 42, pp. 1330-1334,
2009.
89. Merkac, T. P.; Acko, B. Comparising measuring methods of pitch diameter of thread gauges and
analysis of influences on the measurement results. Measurement, vol. 43, pp. 421-425, 2010.
36
90. Miau, J.J.; Yeh, C.F.; Hu, C.C.; Chou, J.H. On measurement uncertainty of a vortex flowmeter.
Flow Meas. and Instrum., vol. 16, pp. 397-404, 2005.
91. Misumi, I.; Gonda, S.; Kurosawa, T.; Azuma, Y.; Fujimoto, T.; Kojima, I.; Sakurai, T.; Ohmi, T.;
Takamasu, K. Reliability of parameters of associated base straight line in step height samples:
Uncertainty evaluation in step height measurements using nanometrological AFM. Precision
Engineering, vol. 30, pp. 13–22, 2006.
92. Monti, A.; Ponci, F. Uncertainty Evaluation Under Dynamic Conditions Using Polynomial Chaos
Theory. IEEE Trans. Instrum. Meas., vol. 59, pp. 2825-2833, 2010.
93. Novotny, M.; Sedlacek, M. Measurement of active power by time domain digital signal processing.
Measurement, vol. 42, pp.1139–1152, 2009.
94. Oliveira, S.P.; Rocha, A.C.; Filho, J.T.; Couto, P.R.G. Uncertainty of measurement by Monte-Carlo
simulation and metrological reliability in the evaluation of electric variables of PEMFC and SOFC
fuel cells. Measurement, vol. 42, pp. 1497-1501, 2009.
95. Oota, A.; Usuda, T.; Nozato, H. Correction and evaluation of the effect due to parasitic motion on
primary accelerometer calibration. Measurement, vol. 43, pp. 719–725, 2010.
96. Patel, K.; Negi, P.S.; Kothari, P.C. Complex S-parameter measurement and its uncertainty
evaluation on a vector network analyzer. Measurement, vol. 42, pp.145–149, 2009.
97. Pavese, F. On the degree of objectivity of uncertainty evaluation in metrology and testing,
Measurement, vol. 42, pp. 1297–1303, 2009.
98. Pendrill, L.R. Optimized measurement uncertainty and decision-making when sampling by variables
or by attribute. Measurement, vol. 39, pp. 829-840, 2006.
99. Peretto, L.; Sasdelli, R.; Tinarelli, R. On Uncertainty in Wavelet-Based Signal Analysis. IEEE
Trans. Instrum. Meas., vol. 54, pp. 1593-1599, 2005a.
100. Peretto, L.; Sasdelli, R.; Tinarelli, R. Uncertainty Propagation in the Discrete-Time Wavelet
Transform. IEEE Trans. Instrum. Meas., vol. 54, pp. 2474-2480, 2005b.
101. Pertile, M.; De Cecco, M.; Baglivo, L. Uncertainty Evaluation in Two-Dimensional Indirect
Measurement by Evidence and Probability Theories. IEEE Trans. Instrum. Meas., vol. 59, pp. 2816-
2824, 2010.
102. Pertile, M.; De Cecco, M.; Baglivo, L. Uncertainty Evaluation in Two-Dimensional Indirect
Measurement by Evidence and Probability Theories. IEEE Trans. Instrum. Meas., vol. 59, pp. 2816-
2824, 2010.
103. Pogliano, U. Evaluation of the Uncertainties in the Measurement of Distorted Power by Means of
the IEN Sampling System. IEEE Trans. Instrum. Meas., vol. 55, pp. 620-624, 2006.
104. Pogliano, U. Traceability of electrical quantities obtained by sampling. Measurement, vol. 42, pp.
1439–1442, 2009.
105. Reznik, L.; Dabke, K.P. Measurement models: applications of intelligent methods. Measurement,
vol. 35, pp. 47-58, 2004.
106. Roberts, M. L.; Stevens, J. W.; Luck, R. Evaluation of parameter effects in estimating non-linear
uncertainty propagation. Measurement, vol. 40, pp. 15–20, 2007.
107. Rosa, J.J.G.; Moreno, A.; Lloret, I.; Pallare´s, V.; Liñán, M. Characterisation of frequency instability
and frequency offset using instruments with incomplete data sheets. Measurement, vol. 39, pp. 664–
673, 2006.
108. Rossi, G.B.; Crenna, F. A probabilistic approach to measurement-based decisions. Measurement,
vol. 39, pp. 101-119, 2006.
109. Salicone, S.; Tinarelli, R. An Experimental Comparison in the Uncertainty Estimation Affecting
Wavelet-Based Signal Analysis by Means of the IEC-ISO Guide and the Random-Fuzzy
Approaches. IEEE Trans. Instrum. Meas., vol. 55, pp 691-699, 2006.
110. Santana, M.A.A.; Santos, F.S.N.; Sousa, V.C.; Chui, Q.S.H. Variability sources of DC voltage–
current measurements in the study of TiO2-based varistors. Measurement, vol. 41, pp. 1105-1112,
2008.
111. Shahanaghi, K.; Nakhjiri, P. A new optimized uncertainty evaluation applied to the Monte-Carlo
simulation in platinum resistance thermometer calibration. Measurement, vol. 43, pp. 901-911,
2010.
112. Shimada, T.; Mahadeva, D.V.; Baker, R.C. Further investigation into a water flow rig related to
calibration. Flow Meas. and Instrum., vol. 21, pp. 462-475, 2010.
113. Sklyar, R. Suppression of low-frequency interferences in the induction sensor of magnetic field.
Measurement, vol. 39, pp. 634–642, 2006.
114. Smith, A.H.C.; Monti, A.; Ponci, F. Uncertainty and Worst-Case Analysis in Electrical
Measurements Using Polynomial Chaos Theory. IEEE Trans. Instrum. Meas., vol. 58, pp. 58-67,
2009.
37
115. Smołalski, G. Measurability conditions of the signal parameter for a given prior knowledge.
Measurement, vol. 42, pp. 583–603, 2009.
116. Stratakis, D. I.; Miaoudakis, A. I.; Zacharopoulos, V. G.; Xenos, T. D. On the Spatial Averaging of
Multiple Narrowband Electromagnetic Field Measurements: Methods and Uncertainty Estimation.
IEEE Trans. Instrum. Meas., vol. 59, pp. 1520-1536, 2010.
117. Stratakis, D.I.; Miaoudakis, A.I.; Xenos, T.D.; Zacharopoulos, V.G. Overall Uncertainty Estimation
in Multiple Narrow-Band In Situ Electromagnetic Field Measurements. IEEE Trans. Instrum. Meas.,
vol. 58, pp. 2767-2779, 2009.
118. Tiemann, I.; Spaeth, C.; Wallner, G.; Metz, G.; Israel, W.; Yamaryo, Y.; Shimomura, T.; Kubo, T.;
Wakasa, T.; Morosawa, T.; Köning, R.; Flügge, J.; Bosse, H. An international length comparison
using vacuum comparators and a photoelectric incremental encoder as transfer standard. Precision
Engineering, vol. 32, pp. 1–6, 2008.
119. Vabson, V.; Kübarsepp, T.; Vendt, R.; Noorma, M. Traceability of mass measurements in Estonia.
Measurement, vol. 43, pp. 1127–1133, 2010.
120. Velychko, O.; Gordiyenko, T. The use of metrological terms and SI units in environmental guides
and international standards. Measurement, vol. 40, pp. 202-212, 2007.
121. Vilbaste, M.; Slavin, G.; Saks, O.; Pihl, V.; Leito, I. Can coverage factor 2 be interpreted as an
equivalent to 95% coverage level in uncertainty estimation? Two case studies. Measurement, vol.
43, pp. 392-399, 2010.
122. Wang, C.M.; Iyer, H. K. A generalized confidence interval for a measurand in the presence of type-
A and type-B uncertainties. Measurement, vol. 39, pp. 856–863, 2006.
123. Wegener, G.; Andrae, J. Measurement uncertainty of torque measurements with rotating torque
transducers in power test stands. Measurement, vol. 40, pp. 803–810, 2007.
124. Willink, R.; Lira, I. A united interpretation of different uncertainty intervals. Measurement, vol. 38,
pp. 61–66, 2005.
125. Wilrich, P. Rounding of measurement values or derived values. Measurement, vol. 37, pp. 21–30,
2005.
126. Wirandi, J.; Chen, J.; Kulesza, W. J. An Adaptive Quality Assessment System—Aspect of Human
Factor and Measurement Uncertainty. IEEE Trans. Instrum. Meas., vol. 58, pp. 68-75, 2009.
127. Wirandi, J.; Lauber, A. Uncertainty and traceable calibration- how modern measurement concepts
improve product quality in process industry. Measurement, vol. 39, pp. 612-620, 2006.
128. Wirandi, J.; Lauber, A.; Kulesza, W. J. Problem of Applying Modern Uncertainty Concepts to the
Measurement of Instrument-Specific Parameters, IEEE Trans. Instrum. Meas., vol. 55, pp. 700-705,
2006.
129. Xintao, X.; Xiaoyang, C.; Yongzhen, Z.; Zhongyu, W. Grey bootstrap method of evaluation of
uncertainty in dynamic measurement. Measurement, vol. 41, pp. 687–696, 2008.
130. Yhland, K.; Stenarson, J. Measurement Uncertainty in Power Splitter Effective Source Match. IEEE
Trans. Instrum. Meas., vol. 56, pp. 669-672, 2007.
38
Apêndice A – Enumeração dos artigos mapeados
Abordagem Artigos
Parâmetro de
qualidade
Oliveira et al. (2009)
Merkac e Acko (2010)
De Cecco et al. (2010)
Galliana et al. (2009)
Giniotis e Rybokas (2009)
Forbes et al. (2009)
Lira e Cargill (2004)
Acko (2005)
Wirandi et al. (2009)
Liebrich et al. (2009)
Bastiaensen et al. (2008)
Hsu e Chen (2007)
Bitou (2009)
Kobayoshi e Chui (2005)
Sklyar (2006)
Rosa et al. (2006)
Batista et al. (2007)
Lu e Chen (2007)
Godina et al. (2007)
Link et al. (2007)
Hernandez (2008)
Gadelmawla (2008)
Novotny e Sedlacek (2009)
Lorefice (2009)
Dey et al. (2010)
Vabson et al. (2010)
Fischer et al. (2010)
Chen et al. (2010)
Iida et al. (2009)
Kurokawa et al. (2009)
Hale e Wang (2009)
Cataldo et al. (2008)
Mariscotti (2007)
Perreto et al. (2005a)
Perreto et al. (2005b)
Lee et al. (2005)
Ferrero et al. (2004)
Miau et al. (2005)
Mayor et al. (2007)
Fuichi et al. (2009)
Choi et al. (2009)
Shimada et al. (2010)
Haycocks e Jackson (2005)
Misumi et al. (2006)
Tiemann et al. (2008)
Ellis et al. (2008)
Barini et al. (2010)
Korpelainen et al. (2010)
Apresentação de
método
Heping e Xiangqian (2009)
Farooqui et al. (2009)
Pertile et al. (2010)
De Capua e Romeo (2007)
Bono et al. (2010)
Stratakis et al. (2010)
Mekid e Vaja (2008)
Ferrero e Salicone (2004)
Al-Othman (2009)
Brigmann e Knapp (2009)
Lovett et al. (2006)
Monti e Ponci (2010)
Smith et al. (2009)
Pogliano (2006)
Wegener e Andrae (2007)
Xintao et al. (2008)
Lampasi (2008)
Smolalski (2009)
Mao et al. (2009)
Oota et al. (2010)
Stratakis et al. (2009)
Yhland e Stenarson (2007)
Angrisani et al. (2006)
Lampasi et al. (2006)
Ferrero e Salicone (2006)
Angrisani et al. (2006)
Sugestão de melhoria
Giniotis et al. (2004)
Vilbaste et al. (2010)
Fotowicz (2004)
Hall (2005)
Braudaway (2006)
Ferrero e Salicone (2009)
De Capua e Romeo (2009)
De Santo et al. (2004)
Lazzari e Iuculano (2004)
Wilrich (2005)
Willink e Lira (2005)
Wang e Iyer (2006)
Roberts et al. (2007)
Attivissimo et al. (2008)
Patel et al. (2009)
Pogliano (2009)
Chen et al. (2010)
Bertocco et al. (2007)
Locci et al. (2006)
Ferrero e Salicone (2005)
Betta et al. (2004)
D`Antona (2004)
Feng et al. (2007)
Comparação de
métodos
Désenfant e Priel (2206)
Reznik e Dabke (2004)
Chakrabarti et al. (2009)
Shahanaghi e Nakhjiri (2010)
Velychko e Gordiyenko (2007)
D`Errico (2009)
Salicone e Tinarelli (2006)
Ferrero e Salicone (2005)
Ghiani et al. (2004)
Indicação de
falhas
Wirandi e Lauber (2006)
Mari (2005) Pavese (2009) Wirandi et al. (2006)
Análise de risco Prendrill (2006)
Rossi e Crenna (2006) Forbes (2006) Bachmanna et al. (2004)
39
2.2. ARTIGO 2
EFEITO DA INCERTEZA DE MEDIÇÃO NA UTILIZAÇÃO DE
CARTAS DE CONTROLE
EFFECT OF MEASUREMENT UNCERTAINTY IN CONTROL CHARTS
Artigo enviado para o congresso internacional
XVIII International Conference on Industrial Engineering and Operations
Management*
em Dezembro de 2011
40
EFEITO DA INCERTEZA DE MEDIÇÃO NA UTILIZAÇÃO DE
CARTAS DE CONTROLE
Pedro da Silva Hack
Programa de Pós-Graduação em Engenharia de Produção
Universidade Federal do Rio Grande do Sul, Porto Alegre/RS, Brasil
E-mail: pedrohack@producao.ufrgs.br
Carla Schwengber ten Caten
Programa de Pós-Graduação em Engenharia de Produção
Universidade Federal do Rio Grande do Sul, Porto Alegre/RS, Brasil
E-mail: tencaten@producao.ufrgs.br
Resumo: O artigo apresenta os efeitos de considerar a distribuição da incerteza do
sistema de medição na utilização de cartas de controle de processo. É desenvolvido um
modelo de carta de controle na qual está inserida a variabilidade da incerteza de
medição, na forma de regiões de incerteza dos pontos e dos limites de controle. Com
isso, a carta de controle passa a ter suas probabilidades de cometer tanto os erros tipo I
quanto tipo II alteradas, e o operador da carta de controle passa a trabalhar com
probabilidades de que o processo tenha saído de controle, baseado nos dados dos
gráficos de tendência central e variabilidade, dessa forma torna-se possível monitorar
apenas uma variável de saída ao invés de dois gráficos simultaneamente. Ao final do
artigo é apresentado um exemplo da metodologia empregada, incluindo as informações
do budget de incerteza.
Palavras-chave: Controle da qualidade. Controle estatístico de processo. Incerteza de
medição.
EFFECT OF MEASUREMENT UNCERTAINTY IN CONTROL
CHARTS
Abstract: This article presents the effects of considering the probability distributions
that come from measurement uncertainty in process control charts. It was developed a
model of control charts in which is inserted the variability of measurement uncertainty
in the form of uncertainty regions that affect the points in the charts and also the
control limits. Thus, the control chart has its probabilities of type I and II errors
altered, and the operator uses the total probabilities that the process has gone out of
control, based on data from both central tendency and variability charts. It becomes
possible to monitor just one output variable instead of two graphics simultaneously. At
the end of the article, it is presented an example of the method adopted, including
information about the uncertainty budget.
Keywords: Quality control. Statistical process control. Measurement uncertainty.
41
1. Introdução
Métodos de controle online são ferramentas primárias para melhorar o desempenho e
reduzir a variabilidade de processos (MONTGOMERY, 2004). Nesse sentido, cartas de
controle são largamente utilizadas para monitorar processos na área de manufatura e
serviços devido à sua simplicidade de entendimento e operação (ZHANG; WU, 2005).
Apesar de as cartas de controle se comportarem bem quanto aos efeitos de erros
aleatórios, suas sensibilidades são deficitárias na detecção de erros sistemáticos (EPPE;
DE PAUW, 2009) e, por consequência disso, outras cartas de controle de processo
foram introduzidas de forma a complementar as já existentes, como a exponentially
weighted moving average (EWMA), cumulative sum (CuSum) e cartas de controle
multivariadas (VARGAS, 2004).
As regras clássicas do controle estatístico avaliam um processo como fora de controle
quando uma de suas amostras se encontra fora dos limites de controle da carta utilizada,
porém consideram-se os valores representados tanto pelas amostras quanto pelos limites
de controle como sendo determinísticos, quando essencialmente são estocásticos
(GÜLBAY; KAHRAMAN, 2007). Estudos realizados por Zarandi et al. (2008) e
Gülbay e Kahraman (2007) demonstram os efeitos de se considerar os limites de
controle como faixas de valores com distribuições de probabilidade associadas, obtendo
resultados superiores às cartas tradicionais.
Apesar de trabalhos discutirem regras suplementares aos limites de controle clássicos
(MARGAVIO et al., 1994; ZHANG; WU, 2005; GAURI; CHAKRABORTY, 2009),
variações de modelos (VARGAS et al., 2004; EPPE; DE PAUW, 2009) e diferentes
aplicações (HANSLIK et al., 2001; DULL; TEGARDEN, 2004), muito pouco tem sido
estudado sobre o efeito do sistema de medição (especificamente a incerteza desse
sistema) sobre o controle estatístico de processo e, com o rápido desenvolvimento de
sistema de coleta automática de dados, há uma preocupação em utilizar efetivamente e
eficientemente a enorme quantidade de dados disponíveis que caracterizam o processo
(CHEN, 2010).
Todo valor obtido a partir de uma medição (ou série de medições) está sujeito às
propriedades intrínsecas ao sistema de medição utilizado, que são responsáveis por
torná-lo não um valor determinístico, mas sim uma faixa de valores caracterizados por
uma distribuição de probabilidade. Essa distribuição que caracteriza o valor de um
42
mensurando é denominada incerteza de medição (IM), e pode alterar significativamente
a tomada de decisão baseada direta ou indiretamente em medições (CARBONE et al,
2003).
A incerteza de um sistema de medição expressa a faixa dentro da qual está o verdadeiro
valor do mensurando e também representa o grau de confiança no resultado
(DÉSENFANT; PRIEL, 2006). Desde a publicação do Guide to the Expression of
Uncertainty in Measurement (1993), tem havido um crescente reconhecimento de que a
IM não é menos crítica do que o valor da própria medição (REZNIK; DABKE, 2004).
O presente artigo se concentra em estudar os efeitos da IM na composição de cartas de
controle quanto à detecção de causas especiais considerando distribuições de
probabilidade associadas tanto aos limites de controle quanto às amostras e o seu
impacto sobre a sensibilidade e a taxa de alarmes falsos. Também é demonstrado o
efeito nos erros do tipo I e II devido à IM. Com isso, o objetivo do trabalho é
desenvolver uma metodologia para calcular a probabilidade individual de cada amostra
em uma carta de controle indicar que o processo esteja realmente dentro ou fora de
controle estatístico, considerando não apenas a sua posição no gráfico, mas também a
distribuição de probabilidade dessa posição causada pela IM. Essa probabilidade
associada é um importante indicador que aumenta ainda mais o poder da carta de
controle.
Este artigo está organizado conforme segue. Na seção 2 são apresentadas revisões sobre
os temas cartas de controle e incerteza de medição. Os procedimentos metodológicos
utilizados na pesquisa seguem na seção 3. Na seção 4 é apresentado o desenvolvimento
matemático para obtenção das expressões que indicam as probabilidades de amostras
estarem fora de controle. A seção 5 traz um exemplo de aplicação e a discussão dos
resultados, seguida da conclusão, na seção 6.
2. Referencial Teórico
O conceito de incerteza como um atributo quantificável é relativamente novo na história
da metrologia, apesar de a análise de erro ser uma prática dessa ciência há muito tempo.
Mesmo quando todos os componentes de erro são estudados e suas correções são
aplicadas, ainda resta uma incerteza sobre o valor do resultado, expressando uma dúvida
43
sobre quão bem esse resultado representa o valor da quantidade sendo medida (IEC-
ISO, 2008).
O Vocabulário Internacional de Medições (1993) define incerteza de medição como um
parâmetro, associado com o resultado da medição, que caracteriza a dispersão dos
valores que poderiam razoavelmente ser atribuídos ao mensurando. Para Désenfant e
Priel (2006), toda vez que decisões são tomadas com base em medições, a IM é a
maneira mais simples e aceita de expressar essa confiança no resultado, além de ser
exigida em normas internacionais de qualidade.
Em 1993, a International Organization for Standardization (ISO) publicou a primeira
versão do Guia para a Expressão da Incerteza de Medição (GUM), unificando um
método para o cálculo de incerteza, baseado na expansão de primeira ordem da série de
Taylor e na lei de propagação de incertezas, descrita na equação (1).
∑(
)
∑ ∑
(1)
Onde e representam as variáveis aleatórias das quais o mensurando depende, e
a incerteza individual dessas variáveis, representa a incerteza padrão do
mensurando, e são os coeficientes de sensibilidade de cada variável e
a incerteza das variáveis correlacionadas e .
Através da equação (1), todas as incertezas de medição são propagadas ao mensurando,
utilizando como base o modelo matemático referente ao sistema de medição utilizado.
Baseando-se no teorema do limite central, assume-se que o resultado final da medição
assuma uma distribuição aproximadamente normal (ou t-student) centrada na média das
medições e com desvio padrão igual à incerteza padrão.
Para obter uma alta probabilidade de abrangência (usualmente 95%) na estimativa de
incerteza, é necessário multiplicar a incerteza padrão por um fator de abrangência k, que
depende dos graus de liberdade das fontes que contribuem para a incerteza, resultando
na incerteza expandida, conforme a equação (2).
(2)
44
O desvio experimental da média é uma importante contribuição para a IM, porém outros
elementos podem influenciar o resultado e devem ser estudados, como por exemplo, a
repetitividade, reprodutibilidade, incertezas herdadas e especificações técnicas dos
equipamentos. Se todas as fontes de incerteza não forem estudadas e consideradas,
corre-se o risco de subestimar ou até mesmo superestimar a IM do mensurando
(JORNADA; CATEN, 2007).
De acordo com Pendrill (2006), sempre que existem incertezas de medição, existem
também riscos de tomar uma decisão errada, e a esses riscos sempre estão associados
custos. Para Rossi e Crenna (2006), na garantia de conformidade de um processo com
requerimentos técnicos, a IM afeta fortemente o processo de tomada de decisão. Ao se
desconsiderar as incertezas de medição em procedimentos de controle da qualidade, se
está aumentando os custos potenciais do processo ao utilizar um controle ineficaz.
Na coleta de dados para cartas controle por variáveis, todos os dados coletados estão
sujeitos às incertezas de seus sistemas de medição e, segundo Gülbay e Kahraman
(2007), mesmo cartas de controle por atributos possuem uma propriedade estocástica
associada. Na construção de ambas as fases da aplicação de cartas de controle (fase de
implementação e fase de monitoramento) os valores são classicamente considerados
determinísticos e a presença de um valor fora da região de controle é considerada uma
causa especial, sem que haja a preocupação com a confiança de que esse valor esteja
realmente naquela determinada região do gráfico e qual a real probabilidade de que o
processo esteja dentro ou fora de controle, detendo-se somente aos indicadores clássicos
de erros tipo I e tipo II.
Na construção de qualquer carta de controle é necessário o cálculo de pelo menos três
limites de controle: LCS, LCC, LCI (limite de controle superior, central e inferior,
respectivamente), classicamente calculados com três desvios padrões de distância da
média para ambos os lados. A cada um desses limites, assim como aos pontos que
representam as amostras, estão intrinsecamente associadas fontes de incerteza de
medição. Se essas incertezas não forem corretamente estudadas e consideradas, as
conclusões tomadas acerca da carta de controle podem ser equivocadas, gerando
potenciais paradas desnecessárias de produção, retrabalho ou descarte
(MONTGOMERY, 2004).
45
Cartas de controle possuem dois tipos de erros associados (CARBONE et al., 2003).
Erros tipo I ou α estão associados ao risco de a carta indicar que o processo não está sob
controle quando isso não é verdade (alarme falso). Erros tipo II ou β correspondem à
probabilidade de o processo sair de controle sem que a carta assim indique. Ao contrário
dos erros tipo I, os erros do tipo II não podem ser determinados sem conhecer a real
média do processo, porém a estratégia de amostragem deve ser determinada de forma a
minimizar a probabilidade de a carta não detectar mudanças de magnitude considerável
no processo. Dessa forma, tamanhos de amostra maiores podem detectar desvios da
média com maior facilidade e rapidez.
A distância dos limites de controle em relação à média está diretamente ligada às
probabilidades de erro α e β. Segundo Montgomery (2004), ao aproximar os limites da
linha central aumenta-se o risco de erros tipo I e diminui-se os tipo II, enquanto ao
afastá-los ocorre o oposto. Diferentes cartas de controle possuem diferentes
sensibilidades a alarmes falsos para pontos fora dos limites (ZHANG e WU, 2005),
porém essas análises não contemplam a incerteza associada aos cálculos dos seus
diferentes parâmetros, detendo-se somente às regras suplementares de controle.
Ao se considerar a incerteza do sistema de medição, passa-se a considerar intervalos de
probabilidade tanto para os limites de controle quanto para as amostras e isso tem como
consequência a alteração dos riscos de erros do tipo I e II. Ao avaliar a incerteza na
carta de controle é possível estimar, para cada ponto de média amostral, a probabilidade
de que o processo esteja dentro ou fora dos limites de controle independente da sua
localização no gráfico, ou ainda, a probabilidade de que ocorra um alarme falso
decorrente de erros do tipo I e II.
Segundo Chen (2010), a presença de alarmes falsos é um dos principais fatores que
levam os operadores a rejeitarem o emprego de determinados tipos de cartas de
controle. Portanto, ao fornecer uma estimativa da probabilidade de se tomar uma
decisão errada ao investigar a ocorrência de uma causa especial, é oferecida ao operador
uma importante ferramenta para auxiliá-lo nessa decisão.
Nesse sentido é importante avaliar corretamente a IM associada às cartas de controle e o
seu potencial impacto sobre o controle estatístico de processo, quantificando seus
benefícios e os esforços necessários para realizar esse objetivo.
46
3. Procedimentos Metodológicos
A pesquisa foi caracterizada como de natureza aplicada, visto que objetiva um estudo
direcionado sobre incerteza de medição. A abordagem foi quantitativa, baseada nos
equacionamentos decorrentes dos fundamentos de IM e cartas de controle. Do ponto de
vista dos objetivos, a pesquisa foi classificada como exploratória, pois se trata do
desenvolvimento de uma metodologia e, do ponto de vista dos procedimentos, foi
classificada como bibliográfica, pois foi elaborada fundamentalmente a partir de
material já publicado (artigos científicos).
O trabalho foi desenvolvido em três etapas estruturadas: (i) pesquisa na literatura por
publicações relativas aos temas abordados; (ii) estudo de quais efeitos da incerteza
seriam abordados do ponto de vista das cartas de controle; (iii) elaboração da
sistemática para avaliar incerteza de cartas de controle e avaliação dos seus impactos no
controle estatístico de processo.
Na etapa inicial foram realizadas pesquisas nas bases de dados online Science Direct,
Emerald e SciELO por artigos científicos que contivessem contribuições relevantes
sobre IM e cartas de controle de uma forma correlacionada. Além dessas publicações
foram incluídos na pesquisa livros importantes para as áreas relacionadas à pesquisa.
Posteriormente foi realizado um estudo baseado na bibliografia coletada na primeira
etapa sobre quais abordagens do tema requeriam uma maior atenção e onde havia
lacunas metodológicas para serem desenvolvidas. Com base nessa pesquisa iniciou-se a
etapa de elaboração da metodologia para considerar o efeito da IM no controle
estatístico de processo. Com a metodologia definida, foi elaborado um exemplo de
aplicação que facilitasse a visualização do método e proporcionasse uma discussão dos
resultados.
4. Efeito da Incerteza de Medição em Cartas de Controle
As amostras plotadas assim como os limites de controle calculados na carta de controle
estão sujeitos às incertezas do instrumento de medição, do operador, das condições de
operação (classificadas como incertezas do tipo B, de acordo com o GUM) e também da
47
variabilidade da amostra (incerteza do tipo A). As incertezas do tipo B são
dimensionadas com base nas distribuições de probabilidade das fontes de variação que
afetam o sistema, decorrentes das especificações técnicas do instrumento, efeitos do
meio ambiente, operador, etc. Já a incerteza do tipo A é estimada pelo desvio padrão da
média amostral.
Ao incorporar as fontes de variação (A e B) e a distribuição de probabilidade da
incerteza tanto nas amostras individuais da carta de controle quanto nos seus limites de
controle, passa-se a trabalhar com faixas de valores para ambos, que representam a
dúvida, ou incerteza, dos seus reais valores, ou seja, utilizam-se regiões de incerteza
para definir as amostras e os limites na carta de controle, e não valores determinísticos.
Esse efeito da IM nas cartas de controle pode ser observado na Figura 1.
(a) (b)
Figura 1 – Carta de controle considerando incertezas de medição
É possível observar na Figura 1 que tanto os limites de controle quanto as amostras da
carta de controle adquirem uma região de incerteza ao seu redor, que define a dúvida do
seu real posicionamento na carta.
Caso parte da região de incerteza de uma amostra fora dos limites esteja contemplada
dentro dos limites críticos de controle, essa amostra passa a ter uma probabilidade de
pertencer a essa região e, portanto, de o processo estar sob controle estatístico (erro tipo
I). Do mesmo modo, uma amostra dentro dos limites de controle que tenha parte de sua
região de incerteza fora dos limites possui uma probabilidade de estar fora da região sob
controle (erro tipo II). Na Figura 1(a) há uma amostra fora dos limites de controle
(considerada uma causa especial), porém ao considerarmos as incertezas envolvidas no
sistema de medição ela passa a ter uma probabilidade de se localizar abaixo do limite
48
superior de controle. Da mesma forma na Figura 1(b) há uma amostra localizada dentro
dos limites que passa a ter uma probabilidade de ser considerada fora da região de
controle quando a incerteza é avaliada.
Para avaliar se o processo está de fato sob controle estatístico, é necessário obter a real
probabilidade de que cada amostra esteja dentro ou fora da região de controle,
baseando-se em suas regiões de incerteza.
A probabilidade de que uma determinada amostra esteja compreendida dentro da região
de incerteza do limite de controle (região que se inicia a probabilidade de representar
causa especial) é determinada pela integral da convolução das funções de distribuição
de probabilidade da amostra e do limite.
∫ (3)
Onde é a função de distribuição de probabilidade da variável aleatória .
Com o objetivo de obter essa probabilidade em tempo real e manter o controle de
processo online, o usuário responsável pela carta de controle necessitaria calcular a
integral da equação (3) ou resolvê-la numericamente. Como esse cálculo dificultaria a
operacionalização do método em tempo real, pode-se alternativamente utilizar limites
de controle críticos, correspondentes aos valores das extremidades das regiões de
incerteza dos limites de controle, definidos da seguinte forma:
{
(4)
O usuário pode trabalhar utilizando limites críticos externos (somando a parcela de
incerteza ao limite superior e subtraindo-a do limite inferior) ou internos (realizando o
procedimento oposto). O critério de utilizar os limites críticos externos ou internos para
os limites de controle deve ser realizado ponderando-se sobre o risco do cliente e do
produtor. Ao utilizar os limites críticos internos o controle da carta se torna mais
rigoroso, pois assume o pior caso da incerteza associada aos limites e, portanto, a
chance do erro tipo I é aumentada e a carta indica o processo como fora de controle com
49
maior frequência (risco do produtor). Da mesma forma, ao utilizar os limites críticos
externos, ocorrem mais erros tipo II e o processo pode ser falsamente considerado sob
controle mais frequentemente (risco do cliente).
Ao utilizar limites críticos, a integral da equação (3) fica reduzida à comparação da
região de incerteza da amostra (caracterizada por uma distribuição normal) ao valor do
limite crítico utilizado, dispensando o cálculo da integral da convolução e possibilitando
a utilização de valores tabelados ou planilhas eletrônicas.
Qualquer que seja o limite de controle crítico definido pelo usuário, a probabilidade de
que uma amostra esteja fora dos limites de controle devido à distribuição da IM passa a
ser:
(5)
Onde é a probabilidade de a i-ésima amostra estar fora dos limites de controle de
acordo com sua região de incerteza, é o limite de controle crítico superior e
o limite de controle crítico inferior.
E equação (5) ainda pode ser reescrita utilizando a distribuição normal padrão:
[ ] (6)
Onde é a probabilidade de uma variável normalmente distribuída se localizar
abaixo de .
Como a variabilidade devido à IM é muito inferior à variabilidade do processo, em uma
aplicação real apenas uma das caudas da região de incerteza poderá contemplar a região
fora dos limites de controle, portanto a equação (6) pode ser reescrita da seguinte forma:
{
(7)
Como a posição gráfica da amostra representa a sua média, para amostras graficamente
fora dos limites de controle a probabilidade estará no intervalo entre 0,5 e 1, caso
contrário estará no intervalo entre 0 e 0,5.
50
4.1.Erros tipo I e tipo II considerando incerteza de medição
Uma amostra fora dos limites de controle está sujeita ao risco de ser um alarme falso,
definido por α (geralmente 0,27% nas cartas de controle tradicionais), porém ao se
considerar a IM esse risco passa a depender dos limites de controle críticos utilizados. O
erro do tipo I é definido como a probabilidade de uma amostra fora dos limites de
controle ser decorrente de uma causa comum, ou seja, a probabilidade de que ocorra um
alarme falso, porém ao utilizar limites de controle críticos a probabilidade α é alterada,
resultando em um αcrítico, que representa a probabilidade de uma amostra normalmente
distribuída estar localizada fora dos limites de controle críticos sem que o processo
esteja fora de controle estatístico, calculado conforme (8).
(8)
O oposto de um alarme falso também pode ocorrer, ou seja, o processo estar fora de
controle estatístico mesmo quando todas as amostras estão dentro dos limites de
controle (erro tipo II). A probabilidade de que ocorra esse erro é definida por β. Como a
probabilidade de β também depende dos limites de controle críticos calculados com
base no αcrítico. Ao se utilizar limites de controle críticos a probabilidade de ocorrência
de erros tipo II também passa a ser redefinida:
(
√
) (
√
) (9)
Onde é o ponto da distribuição normal padrão correspondente à porcentagem
superior , é a distância em relação à média para a qual se quer detectar uma
causa especial e é o desvio padrão do processo.
Uma vez calculados os erros tipo I e II considerando-se os limites críticos, é necessário
calcular quando a carta de controle estará indicando corretamente a causa especial ao se
considerar a IM.
De acordo com a equação (7), ao considerar as incertezas de medição, as amostras
possuem uma probabilidade de estarem fora dos limites (representadas por suas regiões
de incerteza), porém de acordo com a equação (8) uma amostra fora dos limites ainda
51
pode ser um alarme falso. A probabilidade de uma amostra estar efetivamente
localizada fora dos limites de controle ( ) e isso representar de fato que o processo está
fora de controle, , é dada pela combinação das equações (7) e (8):
(10)
O processo ainda pode estar fora de controle mesmo quando a amostra está
graficamente dentro dos limites de controle, , nesse caso essa probabilidade
do erro tipo β é combinada à probabilidade de a amostra estar dentro dos limites (
):
(11)
Por fim, a probabilidade de que qualquer amostra (independente da sua localização
gráfica na carta de controle) represente uma causa especial decorrente de um processo
fora de controle estatístico, , é dada pela soma das probabilidades das equações (10)
e (11).
(12)
A Tabela 1 apresenta as probabilidades de que amostras graficamente dentro e fora dos
limites de controle representem realmente causas comuns decorrentes de processos sob
controle e especiais decorrentes de processos fora de controle, tanto para cartas de
controle tradicionais quanto para cartas de controle considerando IM.
Tabela 1 – Comparação de probabilidades entre as cartas de controle tradicional e
considerando a incerteza de medição
Carta de controle tradicional Carta de controle considerando IM
Amostra graficamente fora dos limites de controle
Processo Fora
de Controle
Processo Sob
Controle [ ]
52
Amostra graficamente dentro dos limites de controle
Processo Fora
de Controle
Processo Sob
Controle [ ]
A probabilidade final de o processo estar fora de controle considerando as cartas de
tendência central e variabilidade de que uma determinada amostra esteja fora de
controle é dada pela combinação das probabilidades independentes das duas cartas:
(13)
Onde é a probabilidade referente à carta de tendência central e a
probabilidade referente à carta de variabilidade.
Observa-se que na carta de controle tradicional as probabilidades referentes à rejeição
das hipóteses de controle de processo são generalistas (ou seja, aplicadas à carta inteira
e não às amostras) e também diferentes para amostras dentro e fora dos limites. Na carta
de controle considerando IM ocorre o contrário, cada amostra da carta de controle
possui sua própria probabilidade de representar um processo fora de controle, e a
expressão para o cálculo dessa probabilidade é a mesma independente da posição
gráfica da amostra.
5. Aplicação e Discussão
A Figura 2 exemplifica uma carta de controle e com 5 medições por amostra,
considerando a incerteza do sistema de medição. Para efeitos demonstrativos, foram
considerados no exemplo apenas os efeitos de incerteza do desvio padrão da média
amostral (Tipo A), incerteza herdada do instrumento (Tipo B) e resolução do
instrumento (Tipo B). As contribuições para o cálculo de incerteza estão apresentadas
na Tabela 2. Para o exemplo apresentado foram adotados os limites de controle críticos
externos. Para simplificar a operacionalização do método, a incerteza Tipo A pode ser
53
considera a mesma para todas as peças, fazendo com que as incertezas padrões de todas
as peças seja equivalente, ou seja, .
Tabela 2 – Contribuições para o cálculo de incerteza de cada amostra
Efeito Variação Distrib. Divisor Contribuição para
incerteza (ui)
Graus de
liberdade
Desvio padrão da
média amostral 0,01 t √ 0,007 2
Incerteza
Herdada 0,01 t 2 0,05 ∞
Resolução 0,01 Ret. √ 0,00287 ∞
A incerteza dos pontos nos gráficos de controle e dos limites de controle críticos para os
gráficos de média e amplitude da Figura 2 foram calculados utilizando as equações (14)
a (17) (ver Apêndice A).
(14)
(15)
( )
(16)
( )
(17)
As equações (16) e (17) foram utilizadas para compor os limites críticos (externos) de
acordo com a equação (4).
54
Figura 2 – Carta de Controle e considerando a incerteza de medição
Na Figura 2 é possível observar que as regiões de incerteza das amostras para a carta de
amplitude são maiores que para a carta de médias, devido ao fato de a incerteza para as
médias possuir no seu denominador o tamanho de amostra. Por decorrência disso,
tamanhos de amostra maiores tendem a reduzir a região de incerteza das amostras da
carta de média, além de reduzir a probabilidade de erro tipo II. Esses dois motivos
aumentam a recomendação de tamanhos de amostras maiores no planejamento de cartas
de controle.
Utilizando as equações (1) e (2) com os dados da Tabela 2 e posteriormente as equações
(7), a (13) foram obtidas as probabilidades para cada amostra de que o processo esteja
fora de controle. O β foi estimado considerando um desvio da média de dois desvios
padrões. Os resultados estão na Tabela 3. A primeira coluna da Tabela 3 identifica o
número da amostra e as colunas 2 e 3 a sua média e amplitude. Na última linha estão as
magnitudes das regiões de incerteza para média e amplitude, a quarta coluna apresenta a
55
probabilidade de que a amostra seja uma causa especial, considerando a sua média e
amplitude.
Tabela 3 – Probabilidades de que o processo da Figura 2 esteja fora de controle
Amostra
1 24,994 1,811 0,024% 0,024% 0,049%
2 24,904 1,119 0,024% 0,024% 0,049%
3 24,763 0,341 0,024% 1,259% 1,283%
4 24,742 0,643 0,024% 0,026% 0,050%
5 24,941 1,508 0,024% 0,024% 0,049%
6 25,367 1,231 0,024% 0,024% 0,049%
7 24,724 1,542 0,024% 0,024% 0,049%
8 24,792 0,919 0,024% 0,024% 0,049%
9 24,762 0,998 0,024% 0,024% 0,049%
10 25,236 1,926 0,024% 0,024% 0,049%
11 25,001 2,747 0,024% 20,756% 20,775%
12 24,527 1,741 0,024% 0,024% 0,049%
13 25,339 1,763 0,024% 0,024% 0,049%
14 25,199 1,467 0,024% 0,024% 0,049%
15 25,023 1,125 0,024% 0,024% 0,049%
16 24,935 0,665 0,024% 0,025% 0,049%
17 25,315 1,066 0,024% 0,024% 0,049%
18 25,085 2,828 0,024% 38,866% 38,881%
19 24,781 0,314 0,024% 1,952% 1,976%
20 24,803 0,680 0,024% 0,025% 0,049%
21 24,613 0,722 0,024% 0,025% 0,049%
22 25,038 1,666 0,024% 0,024% 0,049%
23 24,791 1,540 0,024% 0,024% 0,049%
24 24,947 0,986 0,024% 0,024% 0,049%
25 24,968 1,144 0,024% 0,024% 0,049%
U95% 0,096 0,304
Pela Tabela 3 observa-se que as amostras com maiores probabilidades de estarem fora
de controle estatístico são as de número 11 e 18 (20,77% e 38,88% respectivamente).
Isso se deve principalmente à variabilidade dentro da amostra (amplitude) ser elevada,
porém também ao fato de a incerteza expandida da amplitude possuir uma magnitude
grande, se comparada à incerteza da média.
56
A carta de controle tradicional não considera o erro tipo II na identificação de causas
especiais, pois pela sua abordagem essa probabilidade é a mesma para todos os pontos
da carta. Já ao considerar a IM, a probabilidade de ocorrência de um erro tipo II é
diferente para cada amostra, pois ele está associado à probabilidade de a amostra estar
de fato dentro dos limites de controle e, portanto, é modificado pela região de incerteza
da amostra e pela posição de sua tendência central. Alternativamente pode-se utilizar a
carta de controle com incertezas desconsiderando o erro β, a fim de manter a mesma
metodologia empregada pela carta de controle tradicional. Nesse caso as probabilidade
de as amostras estarem fora de controle são reduzidas em todos os pontos da carta.
Um facilitador na operacionalização da carta de controle considerando incertezas é de
que as incertezas tipo B dependem de fatores intrínsecos ao processo de medição e,
portanto, não são alterados. Da mesma forma a incerteza tipo A pode ser considerada
equivalente em todos os mensurandos (conforme o exemplo), fazendo com que as
incertezas possam ser mantidas em um banco de dados e apenas alteradas quando a
produção for alterada ou o sistema de medição sofrer alguma calibração ou alteração.
6. Conclusões
O efeito do sistema de medição e sua estimativa de incerteza é geralmente
negligenciado na utilização de cartas de controle. Dessa forma, o presente trabalho
apresentou um estudo dos efeitos da incerteza de medição nas cartas de controle
tradicionais, objetivando desenvolver uma metodologia para calcular a probabilidade de
que uma amostra da carta de controle represente uma causa especial, considerando não
apenas a sua posição no gráfico, mas também a distribuição de probabilidade associada
a ela devido à IM.
Através da lei de propagação de incertezas e das propriedades das cartas de controle, foi
apresentado um equacionamento que determina a probabilidade de que cada amostra em
uma carta de controle represente uma causa especial, considerando os erros tipo I e tipo
II em ambos os gráficos de controle. Com essa equação, o usuário da carta de controle
necessita apenas dos dados do cálculo da incerteza do sistema de medição utilizado.
Como exemplo foi apresentada uma carta de controle e considerando os efeitos da
IM, demonstrando as probabilidades de uma amostra dentro dos limites de controle
57
representar uma causa especial. Nesse exemplo observou-se que a incerteza de medição
possui um efeito maior na carta de amplitude, devido ao seu equacionamento. Uma
forma de reduzir a região de incerteza para ambos os gráficos é aumentar o tamanho da
amostra, o que também colaboraria para redução do erro tipo II.
Futuramente, sugere-se uma comparação da carta de controle tradicional com a carta de
controle com incertezas, para determinar quais são mais recomendadas em determinadas
situações e também comparar seus comprimentos médios de corrida (número de
amostras necessárias até que ocorra um alarme falso) para diferentes parâmetros
utilizados. Também se sugere incorporar IM nas regras suplementares das cartas de
controle (tendência, pontos em sequência acima ou abaixo do limite central, limites de
alarme, etc.). Pode-se também investigar o efeito de considerar ou não o erro tipo II na
carta de controle com incertezas. O estudo da sensibilidade da IM na análise de
capacidade também é bastante promissor, pois impacta diretamente nos custos para o
fabricante.
7. Bibliografia
1. Carbone, P.; Macii, D.; Petri, D. Measurement uncertainty and metrological confirmation in quality-
oriented organizations, Measurement, v. 34, p. 263-271, 2003.
2. Chen, T. On reducing false alarms in multivariate statistical process control. Chemical Engineering
Research and Design, v. 8 8, p. 430–436, 2010.
3. Désenfant, M.; Priel, M. Road map for measurement uncertainty evaluation. Measurement, v. 39, p.
841-848, 2006.
4. Dull, R. B.; Tegarden, D. P. Using control charts to monitor financial reporting of public companies.
International Journal of Accounting Information Systems, v. 5, p. 109– 127, 2004.
5. Eppe, G.; De Pauw, E. Advances in quality control for dioxins monitoring and evaluation of
measurement uncertainty from quality control data. Journal of Chromatography B, v. 877, p. 2380–
2387, 2009
6. Gauri, S. K.; Chakraborty, S. Recognition of control chart patterns using improved selection of
features. Computers & Industrial Engineering, v. 56, p. 1577-1588, 2009.
7. Gülbay, M.; Kahraman, C. An alternative approach to fuzzy control charts: Direct fuzzy approach.
Information Sciences, v. 177, p. 1463–1480, 2007.
8. Hanslik, T.; Boelle, P. Y.; Flahault, A. The control chart: an epidemiological tool for public health
monitoring. Public Health, v. 115, p. 277–281, 2001.
9. IEC-ISO. Guide to the Expression of Uncertainty in Measurement – GUM. ISO Publishing, 2008.
10. ISO. International vocabulary of basic and general terms in metrology (2nd ed.). Geneva,
Switzerland: ISO Publisihng, 1993.
11. Margavio, T. M.; Conerly, M. D.; Woodall, W. H.; Drake, L. G. Alarm rates for quality control
charts. Statistics and Probability Letters, v. 24, p. 219-224, 1995.
12. Montgomery, D. C. Introdução ao Controle Estatístico da Qualidade (4th ed). Rio de Janeiro: LTC
Editora, 2004.
13. Pendrill, L. Optimised measurement uncertainty and decision-making when sampling by variables
or bay attribute. Measurement, v. 39, p. 829-840, 2006.
14. Jornada, D. H.; Caten, C. S. Uma revisão sobre abordagens e métodos de cálculo de incerteza. V
Congresso Latino Americano de Metrologia, Paraná, Brasil, 2007.
58
15. Reznik, L.; Dabke, K.P. Measurement models: applications of intelligent methods, Measurement, v.
35, p. 47-58, 2004.
16. Rossi, G.; Crenna, F. A probabilistic approach to measurement-based decisions. Measurement, v.
39, p. 101-119, 2006.
17. Vargas, V. C.; Lopes, L. F.; Souza, A. M. Comparative study of the performance of the CuSum and
EWMA control charts. Computers & Industrial Engineering, v. 46, p 707–724, 2004.
18. Zarandi, M.H. F., Alaeddini, A., Turksen, I. B. A hybrid fuzzy adaptive sampling – Run rules for
Shewhart control charts. Information Sciences, v. 178, p. 1152-1170, 2008.
19. Zhang, S.; Wu, Z. Design of control charts with supplementary runs rules. Computer and Industrial
Engineering, v. 49, p. 76-97, 2005.
Apêndice A. Desenvolvimento das Equações (14-17)
Adotando a hipótese de que a incerteza tipo A é aproximadamente a mesma para todas
as peças, ou seja, , obtém-se a incerteza para os pontos da carta de
média e da carta de amplitude aplicando-se a equação (1) nas equações para cálculo de
média e de amplitude:
∑
∑
( )
(A.1)
(A.2)
Os limites de controle da carta de médias são calculados da seguinte forma:
(A.3)
Onde é a constante que depende do tamanho da amostra.
Aplicando (A.3) em (1):
( ) (A.4)
A incerteza de é calculada conforme (A.1) e a incerteza de é calculada da seguinte
forma:
∑
(A.5)
59
Portanto ao aplicar-se (A.1) e (A.5) em (A.4), obtém-se:
( )
( )
(A.6)
Os limites de controle da carta de amplitude são calculados da seguinte forma:
(A.7)
Aplicando (A.7) em (1):
( ) (A.8)
Aplicando (A.5) em (A.8):
( )
(A.9)
60
2.3. ARTIGO 3
COMPARAÇÃO DE CARTAS DE CONTROLE CONSIDERANDO OU
NÃO O EFEITO DA INCERTEZA DE MEDIÇÃO
COMPARISON OF CONTROL CHARTS WITH AND WITHOUT THE
EFFECT OF MEASUREMENT UNCERTAINTY
Artigo a ser enviado para o periódico internacional
Measurement
61
COMPARAÇÃO DE CARTAS DE CONTROLE CONSIDERANDO
OU NÃO O EFEITO DA INCERTEZA DE MEDIÇÃO
Pedro da Silva Hack
Programa de Pós-Graduação em Engenharia de Produção
Universidade Federal do Rio Grande do Sul, Porto Alegre/RS, Brasil
E-mail: pedrohack@producao.ufrgs.br
Carla Schwengber ten Caten
Programa de Pós-Graduação em Engenharia de Produção
Universidade Federal do Rio Grande do Sul, Porto Alegre/RS, Brasil
E-mail: tencaten@producao.ufrgs.br
Resumo: o presente artigo apresenta uma comparação de diferentes cenários de
utilização da carta de controle e , sob o efeito ou não da incerteza de medição. Foi
realizado um estudo de simulação computacional de todas as combinações de cenários
variando os limites de controle utilizados, probabilidades limites, tamanho da amostra e
coeficiente de variação do processo, totalizando 216 cenários. Ao fim do estudo, foi
constatado que o impacto da incerteza do sistema de medição quando a variabilidade do
processo está suficientemente próxima da variabilidade devido à incerteza de medição
pode alterar significativamente os indicadores de desempenho da carta de controle
ARL0 e ARL1, porém para alguns cenários quando essa diferença de variabilidades é
maior esses efeitos são reduzidos e podem ser até mesmo desprezados.
Palavras-Chave: Incerteza de Medição; Controle Estatístico de Processo; Test
Uncertainty Ratio.
Abstract: this paper presents a comparison of different scenarios for the use of and
control charts, under the effect or not of measurement uncertainty. It was conducted a
computer simulation study of all combinations of scenarios varying control limits used,
probability limits, sample size and coefficient of variation of the process, to a total of
216 scenarios. At the end of the study, it was found that the impact of the system
measurement uncertainty when the process variability is close enough to the variation
due to measurement uncertainty can significantly alter the performance indicators of the
control chart ARL0 and ARL1, but for some scenarios where this difference of
variability is greater these effects are reduced and may even be neglected.
Keywords: Measurement Uncertainty; Statistical Process Control; Test Uncertainty
Ratio.
62
1. Introdução
Cartas de controle são ferramentas largamente utilizadas para realizar o controle online
da qualidade (MONTGOMERY, 2004), principalmente devido à sua simplicidade de
entendimento e operação (ZHANG; WU, 2005). Sua função é indicar quando o
processo sai de controle estatístico, ou seja, quando suas características de produção são
modificadas de modo não intencional. Apesar de os modelos originais de cartas de
controle obterem um bom desempenho, ao longo do tempo foram introduzidas
variações mais sofisticadas que, por adicionarem outros conceitos, podem apresentar um
comportamento superior às cartas tradicionais (VARGAS, 2004).
Há pouco se começou a trabalhar com modelos de cartas de controle que questionam a
natureza determinística dos limites de controle (GÜLBAY; KAHRAMAN, 2007;
ZARANDI et al., 2008) e passou-se a ponderar sobre a utilização de limites de controle
estocásticos derivados da presença de incertezas nos parâmetros da carta e quais seriam
seus efeitos nas suas medidas de desempenho, porém a incerteza do sistema de medição
sobre esses efeitos foi muito pouco abordado (EPPE; DE PAUW, 2009).
A incerteza de medição certamente tem um forte impacto nesse sentido, pois toda a
estrutura da carta de controle resulta de medições e, portanto, estão sob efeito constante
das fontes de incerteza (CARBONE et al., 2003). Sabe-se que no ambiente industrial
moderno, se deve tomar especial cuidado ao lidar com incertezas e seus efeitos em
sistemas de gestão (CARBONE et al., 2003), pois elas aumentam o risco de realizar
uma tomada de decisão errada (PENDRILL, 2006) e, com o rápido desenvolvimento de
sistema de coleta automática de dados, há uma preocupação em utilizar efetivamente e
eficientemente a enorme quantidade de dados disponíveis que caracterizam o processo
(CHEN, 2010).
Caso a incerteza de medição seja suficientemente pequena em relação às variações do
processo controlado, o seu efeito pode ser desprezível (CARBONE et al., 2003), porém
quanto menor essa diferença, maiores serão os índices de alarmes falsos e o número de
amostras necessárias para detectar um processo fora de controle estatístico. No ambiente
industrial a proporção entre a variação do processo e a incerteza de medição
(denominada TUR – Test Uncertainty Ratio) usualmente está na faixa de 4:1 ou até
mesmo 10:1 (WONG, 1999), apesar de algumas normas técnicas aceitarem TUR de 1:1.
Porém em algumas situações é impossível obter um TUR melhor que 1:1, seja pela
63
variabilidade do processo ser muito pequena, pela incerteza de medição do sistema ser
muito grande ou por ambos s dois fatores simultaneamente (BENNET; ZION, 2005).
Para situações onde o valor do TUR é muito pequeno e a incerteza não pode ser
negligenciada, adaptações para as ferramentas de controle devem ser consideradas
(HACK; CATEN, 2012; CARBONE et al., 2003). Para esses casos as cartas de controle
precisam levar em conta a variabilidade devido à incerteza de medição e seus efeitos
nos limites de controle, para corretamente dimensionar seus parâmetros de forma a
minimizar a taxa de alarmes falsos e as amostras necessárias para detectar que o
processo tenha saído de controle.
Este trabalho tem como objetivo estudar o comportamento das cartas de controle sob o
efeito de incertezas de medição em diferentes situações através de simulação
computacional, a fim de identificar em quais cenários são realmente necessárias
adaptações na estrutura das cartas e quais são os melhores parâmetros das cartas de
controle para maximizar seus indicadores de desempenho.
O artigo está organizado conforme segue: após a introdução, a seção 2 apresenta as
definições de uma carta de controle e seus indicadores de desempenho. A seção 3
demonstra os efeitos de se considerar incerteza de medição nas cartas de controle. Na
seção 4 é explicada a metodologia utilizada para realizar a pesquisa e na seção 5 são
apresentadas as simulações realizadas para os diferentes cenários sob os quais as cartas
de controle foram submetidas, assim como uma discussão sobre os resultados obtidos.
Por fim, a seção 6 apresenta as conclusões do trabalho.
2. Cartas de Controle
Cartas de controle são ferramentas comumente utilizadas para monitorar e examinar um
processo (GÜLBAY; KAHRAMAN, 2007), medindo, classificando e analisando dados
para melhorar a qualidade dos produtos e serviços detectando instabilidades e
apontando graficamente possíveis variações (ZARANDI et al., 2008). A característica
da qualidade monitorada pela carta de controle é plotada em dois gráficos, um para
medir o comportamento da tendência central e um para o da variabilidade
(MONTGOMERY, 2004). A cada intervalo de tempo, uma amostra do processo é
coletada e uma medida de tendência central e uma de variabilidade dessa amostra são
64
adicionadas às suas respectivas cartas de controle. O Objetivo da carta de controle é
identificar que o processo saiu de controle estatístico, ou seja, sua média ou
variabilidade foram alteradas.
Cada um dos gráficos de uma carta de controle contém três partes: uma linha central
que representa o valor médio da característica da qualidade correspondente ao estado
sob controle estatístico, e duas outras linhas, chamadas de limites de controle superiores
e inferiores (LCS e LCI respectivamente) que geralmente estão afastados a uma
distância de 3σ em relação à linha central, de forma a garantir que em um processo
normalmente distribuído sob controle, 99,73% das amostras estejam dentro dos limites.
Dessa forma, o processo será considerado fora de controle estatístico quando uma
amostra cair fora dos limites de controle (ZARANDI et al., 2008).
Da mesma forma, quando há um desvio na média ou mudança na variabilidade do
processo, a carta de controle pode demorar um determinado número de amostras para
detectar que o processo saiu de controle. O indicador dessa característica da carta é o
NMA1 (número médio de amostras), e quanto menor o seu valor, maior é o poder da
carta de controle (GÜLBAY; KAHRAMAN, 2007). Outro poderoso indicador de
desempenho da carta de controle é o NMA0, que indica o número médio de amostras
entre cada alarme falso apresentado pela carta, ou seja, que uma amostra caia fora dos
limites de controle mesmo que o processo esteja estável. Quanto maior o NMA0, mais
econômica será a carta de controle, pois serão necessárias menos paradas no processo
para investigar as causas da suposta instabilidade (ZHANG; WU, 2005). Ao comparar
diferentes modelos de cartas de controle, deve-se observar seus valores de NMA0 e de
NMA1 para concluir qual a mais adequada para determinada situação.
3. Carta de Controle Considerando os Efeitos de Incerteza de Medição
Os limites de uma carta de controle e a posição dos pontos no gráfico são
tradicionalmente considerados determinísticos, porém estudos já demonstraram os
efeitos de considerar os limites de controle como faixas de possíveis valores
estocásticos (GÜLBAY; KAHRAMAN, 2007; ZARANDI et al., 2008).
Um dos efeitos estocásticos que estão presentes nas cartas de controle são as incertezas
de medição envolvidas nas leituras dos dados inseridos na carta, que por sua vez
65
transmitem suas propriedades estocásticas para todos os processos que dependem de
seus resultados (ROSSI; CRENNA, 2006). A consideração das distribuições de
incerteza na tomada de decisão decorrente das cartas de controle pode alterar
significantemente o resultado final (PENDRILL, 2006), pois ela está diretamente
associada com a probabilidade de detectar instabilidades do processo e de acusar
alarmes-falsos, afetando, portanto, o NMA0 e o NMA1 da carta de controle (CARBONE
et al, 2003) e um dos desafios das equipes responsáveis pela qualidade é justamente
lidar com as incertezas (EL-HAIK, 2005). O impacto da incerteza de medição na
tomada de decisão também tem sido forte tema de estudo também nas áreas de
metrologia legal e monitoramento ambiental (ROSSI; CRENNA, 2006; VALCARCEL;
CARDENAS, 2001). Mas apesar de um papel claro nas questões de tomada de decisão,
pouca atenção foi dada sobre como efetivamente e objetivamente tratar a incerteza de
medição nas ferramentas da qualidade (PENDRILL, 2006).
Ao considerar o efeito da incerteza de medição na carta de controle, os limites de
controle deixam de ser determinísticos e passam a ser representados por uma faixa de
valores, denominada região de incerteza, devido ao sistema de medição. O mesmo
ocorre com os pontos do gráfico, que também passam a ter uma região de incerteza ao
seu redor. O resultado dessa modificação é que as os pontos da carta passam a ter uma
probabilidade associada de indicar o processo como fora de controle, mesmo caindo
dentro dos limites de controle. A figura 1 mostra uma carta de controle considerando os
efeitos da incerteza de medição.
66
Figura 1 – Carta de Controle e considerando a incerteza de medição
A região de incerteza dos limites de controle deve ser considerada para a escolha dos
limites de controle críticos. Os limites críticos são os limites de controle acrescidos da
sua parcela de incerteza expandida, que pode expandi-los ou encolhê-los, de acordo com
a equação (1).
{
(1)
Onde é a incerteza expandida do limite de controle, conforme definido por
Hack e Caten (2012), LCS é o limite de controle superior e LCI o limite de controle
inferior.
67
O usuário da carta de controle deve ponderar se serão utilizados os limites de controle
críticos internos (pior caso da incerteza de medição) ou externos (melhor caso da
incerteza) ponderando sobre seus efeitos no NMA0 e NMA1. Os limites críticos externos
aumentam a área sob controle, fazendo com que o processo acuse menos alarmes-falsos,
porém aumenta o tempo de detecção de um processo fora de controle. Ao utilizar os
limites críticos internos o efeito é o inverso, um processo instável é detectado mais
rapidamente, porém ao custo de maios alarmes-falsos.
A probabilidade de uma determinada amostra indicar que o processo tenha saído de
controle estatístico depende das regiões de incerteza dos pontos no gráfico de tendência
central e variabilidade, e suas posições em relação aos limites de controle utilizados.
Essa probabilidade total é apresentada na equação (2).
(2)
Onde e representam respectivamente as probabilidades da carta de
tendência central e variabilidade, decorrentes das parcelas das distribuições normais de
incerteza dos pontos dos gráficos que estão dentro e fora dos limites de controle críticos
utilizados.
Dessa forma o principal indicador da carta de controle considerando incertezas de
medição passa a ser a probabilidade total de o processo estar fora de controle,
contemplando tanto a tendência central quanto a variabilidade do processo.
O tamanho da amostra das cartas de controle tradicionais é muito importante para
determinar seu desempenho (ZHANG; WU, 2005), porém a carta de controle com
incerteza de medição possui outros parâmetros além do tamanho de amostra: a escolha
dos limites de controle críticos e a probabilidade limite para considerar uma possível
causa especial. Como o resultado da carta passa a ser uma probabilidade, cabe ao
usuário determinar qual o limite de probabilidade para que uma amostra seja
considerada indício de que o processo saio de controle estatístico. Cada combinação
desses parâmetros irá alterar o NMA0 e o NMA1 da carta de controle (CARBONE et al,
2003), fazendo com que ela se torne mais ou menos adequada que a carta tradicional
68
dependendo da sua aplicação. Portanto, a seleção ótima dos parâmetros da carta de
controle faz parte do planejamento para sua execução (VOMMI; SEETALA, 2007).
A necessidade de considerar a incerteza de medição nas cartas de controle depende do
test uncertainty ratio (TUR) envolvido (CARBONE et al, 2003), que relaciona a
variabilidade do processo e a variabilidade devido à incerteza de medição. Algumas
normas técnicas definem limites para que a incerteza não ultrapasse 25% (razão de 4:1)
da variabilidade do processo (ANSI/NCSL, 2006), mas para outras a razão de 3:1 ou
mesmo 1:1 é aceitável (BENNET; ZION, 2005). Com um TUR suficientemente
elevado, o efeito da incerteza sobre o processo pode ser desprezado (CARBONE et al,
2003), porém a partir de um determinado limite de TUR a incerteza começa a obter um
papel importante nas ferramentas de avaliação utilizadas. Para o cálculo de TUR, a
incerteza calculada deve ser a da ferramenta utilizada, e não apenas a do sistema de
medição, portanto as cartas de controle necessitam ter as suas próprias incertezas
calculadas, e essas sim comparadas à variabilidade do processo (HACK; CATEN,
2012). Como a incerteza do sistema de medição é apenas uma contribuição da incerteza
total da carta de controle, ela ainda precisa ser propagada através da lei de propagação
de incertezas (IEC-ISO, 2008), o que irá aumentar o seu valor final (HACK; CATEN,
2012). Por esse motivo, se o TUR for calculado utilizando apenas a incerteza do sistema
de medição, ela será maior do que o valor real, o que pode mascarar o efeito da
incerteza na utilização da carta de controle, pois equivocadamente o valor da TUR
estará atendendo às normas.
4. Procedimentos Metodológicos
A pesquisa foi caracterizada como de natureza aplicada sobre incerteza de medição e
cartas de controle. A abordagem foi quantitativa, baseada em cenários simulados
computacionalmente cujos resultados são expressos numericamente. Do ponto de vista
dos objetivos, a pesquisa foi classificada como explicativa, pois procura identificar os
melhores parâmetros das cartas de controle para diferentes cenários e, do ponto de vista
dos procedimentos, foi classificada como experimental, pois serão simulados todos os
cenários propostos.
69
O desenvolvimento do trabalho é separado em quatro etapas: (i) identificação das
variáveis que serão modificadas em cada cenário simulado; (ii) simulação das cartas de
controle tanto para NMA0 quanto para NMA1 para todos os cenários decorrentes das
combinações das variáveis levantadas na etapa anterior; (iii) identificação dos cenários
simulados onde a consideração de incerteza não apresentou modificações nos resultados
e; (iv) identificação dos parâmetros ótimos da construção da carta de controle para
minimizar os efeitos de incerteza nos cenários onde ela não pode ser desprezada.
As variáveis identificadas na primeira etapa foram as seguintes: limites de controle
(clássicos, críticos internos, críticos externos), coeficiente de variação do processo
(0,5%, 1,0%, 2,0%, 4,0%), probabilidades limites para identificação de processo fora de
controle (40%, 50%, 60%) e tamanho de amostra da carta de controle (3, 5, 7). Os
limites de controle e as probabilidades limites foram escolhidos por serem parâmetros
necessários da carta de controle com incertezas. O tamanho de amostra foi escolhido por
influenciar no cálculo de incerteza, além de reduzir o erro tipo II, e o coeficiente de
variação foi utilizado como forma de modificar o TUR para diferentes cenários.
As combinações de variáveis resultaram em 108 cenários, sendo que eles foram
simulados para processos dentro e fora de controle, para que fosse possível avaliar o
NMA0 e o NMA1, totalizando 216 cenários simulados.
Para cada cenário, a simulação foi replicada 30.000 vezes e foram coletadas as médias
de NMA0 e o NMA1 com seus respectivos intervalos de confiança para 95%.
5. Resultados
A carta de controle tradicional pode ter seus indicadores de desempenho NMA0 e
NMA1 calculados analiticamente. Isso não é viável para a carta com incertezas devido à
maneira como ela é construída levando em conta distribuições de probabilidade
adicionais. Com isso, para que seja possível comparar os parâmetros de desempenho de
ambas as cartas é necessário realizar uma simulação computacional para as diferentes
situações de operação prática da carta de controle.
As distribuições dos parâmetros de desempenho (em especial o NMA0) possuem uma
variabilidade muito elevada, fazendo com que seja necessário um número grande de
70
replicações da simulação para que o sistema apresente um resultado estável e que seja
possível obter um intervalo de confiança suficientemente pequeno para diferenciar os
resultados entre si. Nesse sentido, foi necessário simular cada cenário 30.000 vezes.
Esse valor foi obtido de forma iterativa simulando uma carta de controle tradicional de
médias até que seu resultado de NMA0 se estabilizasse ao redor do resultado calculado
analiticamente de 370,37.
Foi escolhida para a simulação a carta de controle e , pois é uma carta simples, de
fácil cálculo de incerteza e TUR, e uma das mais utilizadas na indústria
(MONTGOMERY, 2004).
Em todos os cenários simulados foi utilizado o mesmo uncertainty budget apresentado
por Hack e Caten (2012), calculado de acordo com o Guide to the Expression of
Uncertainty in Measurement (IEC-ISO, 2008) que resulta em uma incerteza padrão
de 0,0115. Essa incerteza foi inserida nas regiões de incerteza das cartas de controle
conforme o referido trabalho.
A região de incerteza dos limites de controle para a carta de médias e para a carta de
amplitude gera limites de controle críticos externos e internos. Todas as situações foram
consideradas utilizando tanto ambos os limites críticos quanto os limites de controle
clássicos.
Para analisar as respostas aos diferentes valores de TUR de cada carta, a incerteza
padrão foi mantida fixa e apenas o desvio padrão do processo foi alterado, gerando
quatro diferentes coeficientes de variação (razão do desvio padrão pela média): 0,5%,
1,0%, 2,0%, 4,0%. Esses valores correspondem aos valores de TUR da carta de média e
da carta de amplitude apresentados na Tabela 1.
Tabela 1 – Relação de Coeficiente de Variação com TUR para os diferentes cenários
simulados
Coeficiente
de Variação
TUR (Média) TUR (Amplitude)
n=3 n=5 n=7 n=3 n=5 n=7
0,5% 2,01 2,60 3,07 0,82 0,82 0,82
1,0% 4,03 5,20 6,16 1,65 1,65 1,65
2,0% 8,06 10,40 12,31 3,29 3,29 3,29
4,0% 16,12 20,81 24,62 6,58 6,58 6,58
Observa-se que o TUR da carta de amplitude não depende do tamanho da amostra. Isso
se deve ao fato de que o tamanho de amostra não é levado em consideração no cálculo
71
da incerteza da carta de amplitude, ao contrário da carta de média (HACK; CATEN,
2012). Os baixos valores de TUR para a carta de amplitudes justificam o fato de ela ser
potencialmente mais sensível à presença da incerteza de medição do que a carta de
médias. Por esse motivo, os resultados das simulações não podem ser analisados
isoladamente, sendo necessário realizar o estudo simultaneamente com a carta de média
e amplitude.
Como a carta de controle com incertezas apresenta seu resultado em forma de
probabilidade, é necessário atribuir o valor da probabilidade limite para que uma
determinada amostra seja considerada uma causa especial. No estudo foram
consideradas as probabilidades de 40%, 50% e 60%. É importante ressaltar que o
cenário cuja probabilidade limite é 50% e são utilizados os limites de controle clássico,
equivale à carta de controle tradicional, tanto para o NMA0 quanto para o NMA1. Isso
se deve ao fato de que para que a probabilidade seja maior que 50%, a amostra deve
estar obrigatoriamente fora dos limites de controle, que é a condição da carta de
controle tradicional.
Além do efeito direto sobre o NMA1, o tamanho da amostra também incide sobre o
cálculo de incerteza da carta de controle, modificando as regiões de incerteza tanto dos
limites de controle quanto dos pontos no gráfico. Tamanhos de amostra maiores
reduzem o tempo para detecção de um processo fora de controle e também reduzem a
região de incerteza, diminuindo a taxa de alarmes falsos. Foram simulados cenários
considerando tamanhos de amostra 3, 5 e 7, pois são os mais usualmente utilizados.
Para estimar os indicadores de desempenho foi simulada computacionalmente uma carta
de controle cujos dados de entrada seguiam uma distribuição normal com média 25 e
desvio padrão variável entre 0,125 e 1,00. Para analisar o NMA0, a cada replicação era
indicada a primeira amostra a sair dos limites de controle utilizados no cenário
simulado. Posteriormente, para avaliar o NMA1, foi adicionado sistematicamente aos
dados de entrada um deslocamento da média igual a um desvio padrão, e então se
seguiu um procedimento análogo ao do NMA0.
Utilizando as três probabilidades limite, os quatro diferentes coeficientes de variação, os
três limites de controle, e três tamanhos de amostra, foram gerados 108 diferentes
cenários para cada indicador de desempenho, totalizando 216 cenários simulados. Os
72
resultados da simulação foram obtidos considerando a carta de média e a carta de
amplitude simultaneamente, e podem ser observados nas Figuras 2 e 3 e no Apêndice A.
(a) (b)
(c) (d)
Figura 2 – NMA0 em função do tamanho de amostra e da probabilidade limite adotada
para os coeficientes de variação 0,5% (a), 1% (b), 2% (c) e 4% (d)
73
(a) (b)
(c) (d)
Figura 3 – NMA1 em função do tamanho de amostra e da probabilidade limite adotada
para os coeficientes de variação 0,5% (a), 1% (b), 2% (c) e 4% (d)
Os cenários cuja probabilidade limite utilizada foi de 50% e o limite utilizado foi o
clássico representam cartas de controle tradicionais (para os diferentes tamanhos de
amostra e coeficientes de variação). Os resultados desses cenários devem ser utilizados
na comparação entre os cenários para concluir sobre os efeitos de utilizar ou não a
incerteza de medição na carta de controle.
Através da Figura 2 pode-se observar que há pouca diferença entre os resultados obtidos
utilizando limites de controle diferentes para valores mais elevados de TUR,
demonstrando que o efeito do NMA0 é pouco afetado pela incerteza de medição nesses
casos, porém a partir de coeficiente de variação de 1% é possível observar maiores
diferenças entre a utilização dos limites críticos e dos limites tradicionais, cujo efeito é
ampliado reduzindo mais o TUR. Com coeficiente de variação de 0,5% (TUR de 0,82
para a carta de amplitudes) o NMA0 resultante foi de 119,10 ± 1,34 utilizando tamanho
74
de amostra 5 e 50% de probabilidade limite com limites de controle clássicos (carta de
controle tradicional) e de 553,49 ± 6,24 utilizando a mesma carta, porém com limites de
controle críticos externos. Esse aumento no NMA0 está associado a um aumento no
NMA1. Como se pode observar na Figura 3 o NMA1 salta de 4,27 ± 0,04 para 9,09 ±
0,10 nas cartas mencionadas acima.
Para minimizar o efeito sobre NMA1 devido às incertezas é possível aumentar o
tamanho de amostra. Utilizando tamanho de amostra igual a sete reduz-se o NMA1 para
5,09 ± 0,05 no exemplo citado acima. Para todos os demais casos o aumento do
tamanho de amostra melhorou o NMA1 significativamente, porém o seu efeito sobre a
incerteza de medição é mais acentuado nos casos de menor TUR.
Aumentar o tamanho de amostra também possui um pequeno efeito positivo sobre o
NMA0 quando a incerteza de medição é considerada. Isso se deve ao fato de o tamanho
de amostra ser considerado no cálculo de incerteza e consequentemente no tamanho das
regiões de incerteza da amostra e dos limites de controle. Esse efeito também é mais
acentuado para valores de TUR menores, conforme a Figura 2.
De acordo com a Figura 3, as diferentes probabilidades limites tem pouco efeito sobre o
NMA1. Apenas em valores de TUR muito baixos o seu efeito foi significativo.
Utilizando limites internos, o NMA1 subiu de 3,16 ± 0,03 para 4,17 ± 0,04 utilizando
coeficiente de variação 0,5%, tamanho de amostra três e probabilidades limites 40% e
60% respectivamente. Nos demais casos a diferença não passou de uma unidade no
NMA1 entre os limites de controle escolhidos.
No NMA0 o efeito da probabilidade limite também se torna mais visível com a redução
do TUR. Utilizando coeficiente de variação 0,5%, tamanho de amostra 5 e limites
críticos externos, o NMA0 utilizando 40% de probabilidade limite foi 219,09 ± 2,47 e
utilizando 60% foi 1190,51 ± 13,45. Utilizando limites de controle tradicionais os
resultados foram de 58,11 ± 0,66 e 233,35 ± 2,62 respectivamente. Esses resultados
também mostram que a probabilidade limite tem um efeito maior quando a incerteza de
medição é considerada.
Os limites de controle críticos internos devem ser utilizados com cautela, pois mesmo
que para os maiores coeficientes de variação seus resultados de NMA0 tenham sido
próximos dos limites tradicionais, para coeficientes de variação menores que 1% o
75
resultado foi muito inferior ao da carta de controle tradicional. Para o coeficiente de
variação de 0,5%, tamanho de amostra cinco e probabilidade limite de 50%, o NMA0
utilizando limites de controle críticos internos foi de apenas 29,95 ± 0,33 e com
coeficiente de variação de 4% a mesma carta apresentou NMA0 de 115,11 ± 1,29.
O NMA1 utilizando limites de controle críticos internos foi igual, ou melhor, em todos
os casos quando comparado aos limites de controle tradicionais, obtendo efeitos
maiores nos menores valores de TUR.
Embora os limites críticos inferiores tenham obtido melhor desempenho no NMA1, a
sua redução no NMA0 não compensa sua utilização na maioria dos casos de valores
baixos de TUR. Nessas situações o número de alarmes falsos pode ser elevado demais,
mesmo que a velocidade de detecção de causas especiais seja rápida o suficiente.
6. Conclusão
O efeito da incerteza de medição pode modificar a estrutura das cartas de controle,
alterando suas probabilidades de apresentarem alarmes falsos e também a sua
velocidade de detecção de processos fora de controle. Porém, não são todos os casos
práticos em que a incerteza do sistema de medição será alta o suficiente para influenciar
a carta de controle e, devido à grande flexibilidade de aplicação dos gráficos de
controle, essa resposta não é a mesma para todos os cenários. Com isso, o objetivo do
presente trabalho foi construir e apresentar uma simulação computacional da carta de
controle com incertezas de medição contemplando os cenários mais usuais de aplicação
e variando os parâmetros das cartas de controle.
Foram variados os seguintes parâmetros da simulação: tamanho de amostra, coeficientes
de variação do processo, probabilidades limites da carta de controle e limites de controle
utilizados. Todas as combinações dentre esses parâmetros variáveis geraram 216
cenários simulados de uma carta de controle baseada nos gráficos de média e amplitude.
Nos resultados das simulações, foi observado que para valores mais elevados de test
uncertainty ratio (TUR) a inserção das incertezas de medição na carta de controle não
alteraram de maneira expressiva o desempenho da carta de médias e amplitudes. Ao
reduzir o coeficiente de variação e trazendo o valor de TUR das cartas para valores
menores, as respostas de NMA0 e NMA1 começam a diferir entre os diferentes limites
de controle utilizados. Para valores de TUR a partir de 1,65 (para a carta de amplitudes)
76
as respostas utilizando limites de controle crítico começaram a se distanciar
demasiadamente das respostas dos limites de controle clássicos. Dessa forma, é
aconselhável que para processos com TUR inferiores a esse valor sejam devidamente
considerados limites de controle com incertezas de medição incluídas.
Ao utilizar limites de controle críticos externos com o intuito de aumentar o NMA0,
deve-se atentar para o aumento do NMA1. Esse efeito pode ser minimizado utilizando
amostras com tamanho maior. Nesse caso, o aumento no tamanho de amostra contribui
para a redução da incerteza da carta de controle, o que diminui a taxa de alarmes falsos
e aumenta ainda mais o NMA0. Isso faz com que o aumento do tamanho de amostra seja
recomendado não somente pelo seu efeito positivo sobre o erro tipo II, mas também
pelo seu efeito sobre o erro tipo I devido às incertezas de medição. Além disso, para
todos os cenários simulados o menor tamanho de amostra obteve desempenho muito
inferior aos demais tanto para o NMA0 quanto para o NMA1.
Para simplificar a utilização das cartas de controle com incertezas, é possível utilizar
apenas a probabilidade tradicional de 50%, considerando como causas especiais os
pontos fora dos limites de controle críticos. Como foi apresentado acima, apenas a
utilização de limites críticos externos já pode melhorar significativamente o NMA0 e,
utilizando tamanhos de amostra maiores, o efeito no NMA1 pode ser minimizado. Outra
medida pode ser não considerar o erro tipo II na construção da carta, simplificando o
cálculo das probabilidades de cada amostra.
Como sugestão de trabalhos futuros recomenda-se estudar os efeitos da incerteza de
medição sobre a carta de controle com regras suplementares para detecção de alarmes
falsos. Também podem ser simulados níveis adicionais aos parâmetros já simulados,
como valores de TUR ainda menores por exemplo. Por fim, a aplicação das cartas de
controle com incertezas em um processo real com valores baixos de TUR corroboraria
com os resultados já apresentados.
7. Bibliografia
1. ANSI-NCSL Z540.3, Requirements for the Calibration of Measuring and Test Equipment, NCSL
Publishing, 2006
2. Bennet, K., Zion, H. Metrology Concepts: Understanding Test Uncertainty Ratio (TUR) [White
Paper], 2005.
77
3. Carbone, P.; Macii, D.; Petri, D. Measurement uncertainty and metrological confirmation in quality-
oriented organizations, Measurement, v. 34, p. 263-271, 2003.
4. Chen, T. On reducing false alarms in multivariate statistical process control. Chemical Engineering
Research and Design, v. 8 8, p. 430–436, 2010.
5. El-Haik, B. S. Axiomatic Quality: Integrating Axiomatic Design with Six-Sigma, Reliability, and
Quality Engineering. Wiley, 2005.
6. Eppe, G.; De Pauw, E. Advances in quality control for dioxins monitoring and evaluation of
measurement uncertainty from quality control data. Journal of Chromatography B, v. 877, p. 2380–
2387, 2009.
7. Gülbay, M.; Kahraman, C. An alternative approach to fuzzy control charts: Direct fuzzy approach.
Information Sciences, v. 177, p. 1463–1480, 2007.
8. Hack, P.S.; Caten, C.S. Effect of Measurement Uncertainty in Control Charts, in: XVIII
International Conference on Industrial Engineering and Operations Management, Portugal, 2012
(em avaliação).
9. IEC-ISO, Guide to the Expression of Uncertainty in Measurement – GUM, ISO Publishing, 2008.
10. Montgomery, D. C. Introdução ao Controle Estatístico da Qualidade. 4ª ed. Rio de Janeiro: LTC
Editora, 2004.
11. Pendrill. L. R. Optimized measurement uncertainty and decision-making when sampling by
variables or by attribute, Measurement, v. 39, p. 829-840, 2006.
12. Rossi, G.; Crenna, F. A probabilistic approach to measurement-based decisions. Measurement, v.
39, p. 101-119, 2006.
13. Valcarcel, M., Cardenas, S. Metrology of the binary yes/no response in environmental analysis,
European Conference Environment, health, safety, a challenge for measurement, Paris, June, 2001.
14. Vargas, V. C.; Lopes, L. F.; Souza, A. M. Comparative study of the performance of the CuSum and
EWMA control charts. Computers & Industrial Engineering, v. 46, p 707–724, 2004.
15. Vommi, V. B., Seetala, M. S. N. A new approach to robust economic design of control charts.
Applied Soft Computing, v. 7, p. 211-228, 2007.
16. Wong, W, What TUR do you really need? Putting statistical theory into practice, in: Proc.
Measurement Science Conference, Anaheim, CA, USA, January 28-29, 1999.
17. Zarandi, M.H. F., Alaeddini, A., Turksen, I. B. A hybrid fuzzy adaptive sampling – Run rules for
Shewhart control charts, Information Sciences, v. 178, p. 1152-1170, 2008.
18. Zhang, S.; Wu, Z. Design of control charts with supplementary runs rules. Computer and Industrial
Engineering, v. 49, p. 76-97, 2005.
78
Apêndice A – Resultados das Simulações
Tabela A.1 – NMA0 utilizando limites de controle clássicos Coef. De
Variação N
Prob.
Limite NMA0 (Total) NMA0 (Médias) NMA0 (Amplitude)
0,5%
3
40% 52,60 ± 0,59 225,94 ± 2,56 81,04 ± 0,92
50% 100,44 ± 1,13 362,35 ± 4,13 165,19 ± 1,88
60% 192,47 ± 2,15 536,53 ± 6,04 350,96 ± 3,94
5
40% 58,11 ± 0,66 233,68 ± 2,64 97,97 ± 1,11
50% 119,10 ± 1,34 371,51 ± 4,20 218,27 ± 2,45
60% 233,35 ± 2,62 562,37 ± 6,33 503,20 ± 5,66
7
40% 60,90 ± 0,68 230,48 ± 2,62 102,73 ± 1,15
50% 123,55 ± 1,40 372,73 ± 4,23 229,15 ± 2,62
60% 247,77 ± 2,78 579,87 ± 6,56 543,22 ± 6,05
1,0%
3
40% 81,88 ± 0,92 292,90 ± 3,32 117,73 ± 1,32
50% 111,74 ± 1,26 366,04 ± 4,13 167,22 ± 1,89
60% 152,92 ± 1,73 450,80 ± 5,08 244,58 ± 2,77
5
40% 96,99 ± 1,09 293,38 ± 3,32 147,51 ± 1,65
50% 137,34 ± 1,54 373,72 ± 4,23 220,96 ± 2,48
60% 190,21 ± 2,13 459,92 ± 5,18 327,44 ± 3,71
7
40% 99,72 ± 1,12 293,82 ± 3,30 153,03 ± 1,74
50% 140,29 ± 1,58 369,49 ± 4,17 230,03 ± 2,59
60% 196,87 ± 2,22 464,39 ± 5,22 346,15 ± 3,90
2,0%
3
40% 98,86 ± 1,12 328,22 ± 3,73 142,43 ± 1,61
50% 114,54 ± 1,30 367,58 ± 4,14 169,39 ± 1,91
60% 133,51 ± 1,52 406,11 ± 4,62 202,21 ± 2,29
5
40% 115,33 ± 1,30 332,64 ± 3,76 177,25 ± 2,02
50% 138,80 ± 1,57 373,89 ± 4,22 219,27 ± 2,46
60% 161,28 ± 1,83 414,64 ± 4,68 263,79 ± 2,97
7
40% 118,73 ± 1,35 327,92 ± 3,74 184,84 ± 2,08
50% 140,57 ± 1,58 366,17 ± 4,15 228,78 ± 2,61
60% 168,22 ± 1,92 416,03 ± 4,71 282,68 ± 3,20
4,0%
3
40% 106,62 ± 1,20 347,32 ± 3,96 156,70 ± 1,77
50% 115,88 ± 1,31 367,12 ± 4,18 170,06 ± 1,92
60% 126,38 ± 1,44 386,51 ± 4,34 187,13 ± 2,11
5
40% 126,66 ± 1,43 348,98 ± 3,95 198,56 ± 2,24
50% 137,66 ± 1,55 371,33 ± 4,19 217,54 ± 2,50
60% 149,57 ± 1,68 394,25 ± 4,48 241,50 ± 2,71
7
40% 130,33 ± 1,46 350,83 ± 3,98 206,12 ± 2,30
50% 141,91 ± 1,61 370,84 ± 4,17 227,81 ± 2,59
60% 154,52 ± 1,74 393,86 ± 4,46 253,27 ± 2,87
79
Tabela A.2 – NMA0 utilizando limites de controle críticos externos Coef. De
Variação N
Prob.
Limite NMA0 (Total) NMA0 (Médias) NMA0 (Amplitude)
0,5%
3
40% 178,16 ± 2,02 1158,25 ± 13,21 292,35 ± 3,30
50% 403,51 ± 4,57 2078,68 ± 23,49 665,05 ± 7,53
60% 873,85 ± 10,00 3278,06 ± 37,50 1518,89 ± 17,60
5
40% 219,09 ± 2,47 1241,15 ± 14,09 310,86 ± 3,49
50% 553,49 ± 6,24 2138,11 ± 24,09 864,28 ± 9,79
60% 1190,51 ± 13,45 3390,86 ± 39,01 2111,51 ± 23,84
7
40% 246,39 ± 2,78 1373,53 ± 15,51 334,38 ± 3,78
50% 569,21 ± 6,45 2375,25 ± 26,65 836,42 ± 9,57
60% 1273,49 ± 14,52 3981,94 ± 45,28 2098,53 ± 23,96
1,0%
3
40% 164,90 ± 1,86 687,77 ± 7,72 236,26 ± 2,67
50% 207,54 ± 2,35 879,07 ± 10,00 332,67 ± 3,77
60% 332,39 ± 3,75 1102,32 ± 12,54 517,41 ± 5,82
5
40% 196,59 ± 2,21 679,97 ± 7,68 281,38 ± 3,17
50% 281,72 ± 3,19 865,38 ± 9,78 426,76 ± 4,86
60% 404,75 ± 4,60 1077,63 ± 12,22 651,97 ± 7,38
7
40% 200,34 ± 2,26 705,68 ± 8,02 281,73 ± 3,21
50% 289,07 ± 3,25 912,18 ± 10,25 428,56 ± 4,87
60% 425,87 ± 4,82 1160,71 ± 13,10 675,71 ± 7,65
2,0%
3
40% 142,34 ± 1,61 509,47 ± 5,79 203,35 ± 2,31
50% 166,83 ± 1,88 571,30 ± 6,47 243,86 ± 2,77
60% 197,88 ± 2,24 632,47 ± 7,15 296,01 ± 3,35
5
40% 167,04 ± 1,87 495,79 ± 5,63 249,82 ± 2,81
50% 198,52 ± 2,22 562,22 ± 6,37 308,49 ± 3,50
60% 234,33 ± 2,63 628,35 ± 7,08 373,59 ± 4,23
7
40% 169,93 ± 1,91 512,38 ± 5,75 253,72 ± 2,88
50% 205,69 ± 2,35 580,52 ± 6,52 313,81 ± 3,53
60% 241,07 ± 2,71 649,05 ± 7,36 383,35 ± 4,35
4,0%
3
40% 130,68 ± 1,47 434,43 ± 4,93 188,08 ± 2,13
50% 139,21 ± 1,58 456,45 ± 5,19 203,33 ± 2,31
60% 152,69 ± 1,71 484,85 ± 5,44 222,56 ± 2,48
5
40% 151,47 ± 1,71 433,93 ± 4,86 231,21 ± 2,60
50% 165,81 ± 1,85 457,94 ± 5,16 257,61 ± 2,89
60% 179,81 ± 2,04 479,98 ± 5,44 285,73 ± 3,21
7
40% 156,21 ± 1,76 435,12 ± 4,91 240,27 ± 2,68
50% 169,19 ± 1,90 463,88 ± 5,26 265,76 ± 3,00
60% 184,96 ± 2,08 491,78 ± 5,51 296,16 ± 3,35
80
Tabela A.3 – NMA0 utilizando limites de controle críticos internos Coef. De
Variação N
Prob.
Limite NMA0 (Total) NMA0 (Médias) NMA0 (Amplitude)
0,5%
3
40% 14,74 ± 0,16 52,08 ± 0,58 24,67 ± 0,27
50% 25,11 ± 0,28 76,05 ± 0,86 45,76 ± 0,51
60% 42,68 ± 0,47 107,28 ± 1,20 88,40 ± 0,99
5
40% 16,62 ± 0,18 55,94 ± 0,63 32,64 ± 0,36
50% 29,95 ± 0,33 83,10 ± 0,93 65,98 ± 0,74
60% 52,93 ± 0,60 120,00 ± 1,34 137,06 ± 1,56
7
40% 16,91 ± 0,19 50,58 ± 0,57 35,56 ± 0,40
50% 30,14 ± 0,34 75,19 ± 0,84 73,53 ± 0,83
60% 53,73 ± 0,60 110,31 ± 1,24 160,12 ± 1,82
1,0%
3
40% 44,14 ± 0,51 137,60 ± 1,55 66,70 ± 0,77
50% 55,36 ± 0,62 161,84 ± 1,82 85,35 ± 0,95
60% 72,85 ± 0,82 195,73 ± 2,18 121,40 ± 1,38
5
40% 50,99 ± 0,57 137,47 ± 1,54 81,56 ± 0,91
50% 67,72 ± 0,75 167,87 ± 1,90 116,26 ± 1,32
60% 92,30 ± 1,04 208,04 ± 2,33 170,29 ± 1,93
7
40% 50,85 ± 0,57 128,93 ± 1,46 86,10 ± 0,97
50% 70,21 ± 0,79 161,20 ± 1,80 125,50 ± 1,41
60% 95,64 ± 1,08 199,53 ± 2,26 188,83 ± 2,13
2,0%
3
40% 67,20 ± 0,75 217,65 ± 2,49 99,05 ± 1,11
50% 79,76 ± 0,89 241,11 ± 2,72 120,25 ± 1,34
60% 135,74 ± 1,51 408,80 ± 4,61 203,67 ± 2,29
5
40% 82,71 ± 0,93 224,40 ± 2,55 131,19 ± 1,47
50% 97,26 ± 1,08 248,46 ± 2,77 158,34 ± 1,77
60% 113,36 ± 1,28 276,88 ± 3,13 192,87 ± 2,18
7
40% 84,95 ± 0,96 218,27 ± 2,46 138,09 ± 1,54
50% 100,81 ± 1,13 242,50 ± 2,71 170,04 ± 1,91
60% 117,63 ± 1,33 272,83 ± 3,09 207,23 ± 2,34
4,0%
3
40% 88,40 ± 0,99 282,57 ± 3,20 130,67 ± 1,47
50% 97,06 ± 1,08 300,21 ± 3,37 145,40 ± 1,65
60% 105,46 ± 1,18 315,18 ± 3,57 158,60 ± 1,78
5
40% 107,55 ± 1,21 288,89 ± 3,27 170,59 ± 1,92
50% 115,11 ± 1,29 302,42 ± 3,37 184,58 ± 2,10
60% 125,98 ± 1,43 321,39 ± 3,65 206,29 ± 2,34
7
40% 110,24 ± 1,24 281,53 ± 3,18 176,89 ± 1,99
50% 118,49 ± 1,34 294,46 ± 3,34 196,23 ± 2,23
60% 127,70 ± 1,44 314,43 ± 3,58 216,56 ± 2,42
81
Tabela A.4 – NMA1 utilizando limites de controle clássicos Coef. De
Variação N
Prob.
Limite NMA1 (Total) NMA1 (Médias) NMA1 (Amplitude)
0,5%
3
40% 6,05 ± 0,06 9,14 ± 0,10 23,46 ± 0,26
50% 8,40 ± 0,09 9,65 ± 0,10 163,06 ± 1,84
60% 9,53 ± 0,10 10,51 ± 0,11 349,47 ± 3,97
5
40% 3,89 ± 0,04 4,20 ± 0,04 98,35 ± 1,11
50% 4,27 ± 0,04 4,52 ± 0,05 220,80 ± 2,49
60% 4,62 ± 0,05 4,81 ± 0,05 496,91 ± 5,63
7
40% 2,46 ± 0,02 2,60 ± 0,02 103,24 ± 1,17
50% 2,65 ± 0,02 2,76 ± 0,02 230,16 ± 2,62
60% 2,86 ± 0,03 2,96 ± 0,03 540,51 ± 6,13
1,0%
3
40% 8,14 ± 0,09 9,45 ± 0,10 62,78 ± 0,71
50% 9,14 ± 0,10 9,78 ± 0,10 165,72 ± 1,86
60% 9,61 ± 0,10 10,09 ± 0,11 244,43 ± 2,77
5
40% 4,23 ± 0,04 4,34 ± 0,04 149,00 ± 1,67
50% 4,38 ± 0,04 4,48 ± 0,04 219,47 ± 2,47
60% 4,62 ± 0,05 4,69 ± 0,05 327,95 ± 3,70
7
40% 2,65 ± 0,02 2,70 ± 0,02 152,67 ± 1,72
50% 2,74 ± 0,02 2,76 ± 0,02 227,30 ± 2,55
60% 2,84 ± 0,03 2,86 ± 0,03 347,12 ± 3,89
2,0%
3
40% 8,91 ± 0,10 9,71 ± 0,10 112,00 ± 1,27
50% 9,28 ± 0,10 9,79 ± 0,10 169,99 ± 1,92
60% 9,47 ± 0,10 9,93 ± 0,11 203,11 ± 2,31
5
40% 4,33 ± 0,04 4,41 ± 0,04 180,38 ± 2,05
50% 4,39 ± 0,04 4,48 ± 0,04 219,89 ± 2,46
60% 4,52 ± 0,05 4,58 ± 0,05 267,31 ± 3,03
7
40% 2,71 ± 0,02 2,74 ± 0,02 183,67 ± 2,07
50% 2,77 ± 0,03 2,79 ± 0,03 225,35 ± 2,54
60% 2,79 ± 0,03 2,80 ± 0,03 282,45 ± 3,21
4,0%
3
40% 9,09 ± 0,10 9,63 ± 0,10 146,74 ± 1,67
50% 9,38 ± 0,10 9,87 ± 0,10 171,77 ± 1,93
60% 9,37 ± 0,10 9,82 ± 0,11 187,01 ± 2,10
5
40% 4,41 ± 0,04 4,50 ± 0,04 197,80 ± 2,24
50% 4,42 ± 0,04 4,50 ± 0,04 217,11 ± 2,44
60% 4,46 ± 0,04 4,53 ± 0,05 241,28 ± 2,72
7
40% 2,70 ± 0,02 2,72 ± 0,02 204,04 ± 2,35
50% 2,74 ± 0,02 2,76 ± 0,03 227,91 ± 2,59
60% 2,75 ± 0,02 2,77 ± 0,03 253,55 ± 2,89
82
Tabela A.5 – NMA1 utilizando limites de controle críticos externos Coef. De
Variação N
Prob.
Limite NMA1 (Total) NMA1 (Médias) NMA1 (Amplitude)
0,5%
3
40% 21,15 ± 0,23 24,24 ± 0,27 291,78 ± 3,33
50% 24,55 ± 0,27 26,54 ± 0,29 673,00 ± 7,54
60% 28,11 ± 0,31 29,48 ± 0,33 1582,21 ± 17,86
5
40% 8,09 ± 0,09 8,71 ± 0,09 310,24 ± 3,52
50% 9,09 ± 0,10 9,56 ± 0,10 870,25 ± 9,82
60% 10,21 ± 0,11 10,65 ± 0,11 2116,23 ± 24,04
7
40% 4,58 ± 0,05 4,83 ± 0,05 332,11 ± 3,78
50% 5,09 ± 0,05 5,29 ± 0,05 834,71 ± 9,43
60% 5,64 ± 0,06 5,82 ± 0,06 2117,42 ± 23,56
1,0%
3
40% 12,06 ± 0,13 15,10 ± 0,17 77,35 ± 0,87
50% 14,68 ± 0,16 15,75 ± 0,17 334,92 ± 3,77
60% 15,64 ± 0,17 16,42 ± 0,18 515,59 ± 5,86
5
40% 6,03 ± 0,06 6,15 ± 0,06 279,60 ± 3,18
50% 6,33 ± 0,07 6,43 ± 0,07 424,72 ± 4,79
60% 6,64 ± 0,07 6,71 ± 0,07 651,04 ± 7,33
7
40% 3,50 ± 0,03 3,54 ± 0,03 277,97 ± 3,13
50% 3,72 ± 0,04 3,75 ± 0,04 433,87 ± 4,93
60% 3,85 ± 0,04 3,88 ± 0,04 666,49 ± 7,59
2,0%
3
40% 11,04 ± 0,12 12,05 ± 0,13 143,78 ± 1,62
50% 11,76 ± 0,13 12,38 ± 0,13 243,26 ± 2,75
60% 11,98 ± 0,13 12,49 ± 0,14 294,39 ± 3,33
5
40% 5,14 ± 0,05 5,22 ± 0,05 250,31 ± 2,81
50% 5,26 ± 0,05 5,33 ± 0,05 303,43 ± 3,42
60% 5,36 ± 0,06 5,43 ± 0,06 373,05 ± 4,23
7
40% 3,13 ± 0,03 3,15 ± 0,03 256,87 ± 2,93
50% 3,19 ± 0,03 3,21 ± 0,03 312,17 ± 3,56
60% 3,25 ± 0,03 3,26 ± 0,03 387,59 ± 4,39
4,0%
3
40% 10,28 ± 0,11 10,90 ± 0,12 171,31 ± 1,92
50% 10,35 ± 0,11 10,87 ± 0,12 202,21 ± 2,27
60% 10,58 ± 0,11 11,06 ± 0,12 225,03 ± 2,51
5
40% 4,76 ± 0,05 4,84 ± 0,05 232,27 ± 2,62
50% 4,82 ± 0,05 4,89 ± 0,05 257,60 ± 2,91
60% 4,84 ± 0,05 4,91 ± 0,05 283,34 ± 3,23
7
40% 2,92 ± 0,03 2,95 ± 0,03 240,24 ± 2,70
50% 2,96 ± 0,03 2,98 ± 0,03 267,92 ± 3,03
60% 2,98 ± 0,03 3,00 ± 0,03 293,70 ± 3,31
83
Tabela A.6 – NMA1 utilizando limites de controle críticos internos Coef. De
Variação N
Prob.
Limite NMA1 (Total) NMA1 (Médias) NMA1 (Amplitude)
0,5%
3
40% 3,16 ± 0,03 4,15 ± 0,04 15,06 ± 0,16
50% 3,79 ± 0,04 4,40 ± 0,04 44,97 ± 0,50
60% 4,17 ± 0,04 4,63 ± 0,05 86,84 ± 0,97
5
40% 2,22 ± 0,02 2,43 ± 0,02 33,15 ± 0,37
50% 2,39 ± 0,02 2,55 ± 0,02 66,31 ± 0,74
60% 2,53 ± 0,02 2,66 ± 0,02 137,97 ± 1,54
7
40% 1,59 ± 0,01 1,68 ± 0,01 35,42 ± 0,39
50% 1,69 ± 0,01 1,76 ± 0,01 73,20 ± 0,83
60% 1,77 ± 0,01 1,83 ± 0,01 161,33 ± 1,82
1,0%
3
40% 5,63 ± 0,06 6,13 ± 0,06 60,95 ± 0,68
50% 5,89 ± 0,06 6,30 ± 0,07 84,55 ± 0,95
60% 6,29 ± 0,07 6,60 ± 0,07 120,47 ± 1,35
5
40% 3,09 ± 0,03 3,19 ± 0,03 80,60 ± 0,90
50% 3,21 ± 0,03 3,28 ± 0,03 116,80 ± 1,31
60% 3,34 ± 0,03 3,40 ± 0,03 171,65 ± 1,93
7
40% 2,07 ± 0,02 2,11 ± 0,02 85,87 ± 0,97
50% 2,13 ± 0,02 2,15 ± 0,02 125,72 ± 1,42
60% 2,20 ± 0,02 2,22 ± 0,02 183,87 ± 2,09
2,0%
3
40% 7,13 ± 0,07 7,72 ± 0,08 85,69 ± 0,95
50% 7,43 ± 0,08 7,87 ± 0,08 118,75 ± 1,34
60% 7,59 ± 0,08 7,98 ± 0,08 142,47 ± 1,60
5
40% 3,71 ± 0,04 3,78 ± 0,04 131,01 ± 1,48
50% 3,72 ± 0,04 3,79 ± 0,04 157,48 ± 1,76
60% 3,85 ± 0,04 3,91 ± 0,04 191,51 ± 2,16
7
40% 2,37 ± 0,02 2,39 ± 0,02 136,93 ± 1,55
50% 2,40 ± 0,02 2,42 ± 0,02 167,49 ± 1,89
60% 2,43 ± 0,02 2,45 ± 0,02 204,94 ± 2,31
4,0%
3
40% 8,05 ± 0,08 8,57 ± 0,09 122,83 ± 1,39
50% 8,30 ± 0,09 8,75 ± 0,09 143,88 ± 1,60
60% 8,41 ± 0,09 8,84 ± 0,09 155,77 ± 1,76
5
40% 4,01 ± 0,04 4,08 ± 0,04 167,69 ± 1,89
50% 4,07 ± 0,04 4,12 ± 0,04 186,45 ± 2,12
60% 4,16 ± 0,04 4,23 ± 0,04 205,70 ± 2,33
7
40% 2,55 ± 0,02 2,57 ± 0,02 176,13 ± 2,00
50% 2,57 ± 0,02 2,59 ± 0,02 194,55 ± 2,19
60% 2,57 ± 0,02 2,59 ± 0,02 217,12 ± 2,45
84
3. CONSIDERAÇÕES FINAIS
Este capítulo apresenta as conclusões da dissertação e posteriormente aponta
sugestões de trabalhos futuros, identificados no decorrer da pesquisa realizada.
3.1.Conclusões
Durante esta dissertação foi discutido de que forma a incerteza de medição pode
modificar o desempenho das cartas de controle, tendo como objetivos principais propor
um método para incorporar as incertezas do sistema de medição às cartas de controle, e
posteriormente estudar as situações de maior e menor aplicação desta metodologia
proposta. Para atingir o objetivo principal e os objetivos específicos da dissertação,
foram elaborados três artigos.
O primeiro artigo contemplou uma revisão da literatura contendo um mapeamento
dos artigos publicados sobre incerteza de medição entre os anos de 2004 e 2010,
visando analisar as principais abordagens apresentadas pelos autores sobre incerteza de
medição e identificar potenciais lacunas que permitissem estudos futuros. Com o
mapeamento realizado foram cruzados os dados de abordagem, ano de publicação e
método para cálculo de incerteza. Foi identificado que o método mais utilizado para
cálculo de incerteza ainda é o descrito pelo GUM, apesar de outros métodos estarem
ganhando espaço recentemente. Também foi apresentado que a incerteza de medição foi
mais utilizada como parâmetro de qualidade para comparar dois diferentes métodos de
calibração ou ensaio. Houve poucos artigos publicados utilizando incerteza de medição
abordando análise de risco na tomada de decisão e nenhum artigo estudando como a
incerteza pode influenciar as demais ferramentas da qualidade, incluindo cartas de
controle. Essa deficiência de artigos sobre o tema justificou o objetivo principal da
dissertação.
Seguindo a lacuna na literatura identificada no primeiro artigo e dentro dos
objetivos do trabalho, o segundo artigo apresentou um método para considerar a
incerteza do sistema de medição nas cartas de controle tradicionais. Essa mudança altera
as probabilidades de erro tipo I e tipo II e demonstram que, se a incerteza do sistema de
medição não for devidamente considerada, processos podem ter sua estabilidade
verificada por cartas de controle ineficientes. Os resultados do artigo apresentam que
considerando as incertezas de medição, processos fora de controle passam a possuir
uma probabilidade de estarem na verdade sob controle, e vice versa.
85
No artigo 3 foi realizado um estudo de simulação computacional para averiguar
em quais situações a incerteza de medição afeta mais as cartas de controle e em quais
ela pode ser negligenciada. Nesse artigo foram simulados 216 diferentes cenários de
cartas de controle, com 30.000 replicações por cenário. O resultado demonstrou que
para valores onde a variância do processo é muito próxima da variância da incerteza de
medição, as respostas dos indicadores de desempenho da carta de controle são
fortemente alterados, significando que a incerteza deve ser devidamente quantificada na
carta de controle. Também foi demonstrado que aumentar o tamanho de amostra da
carta, além de diminuir os erros do tipo II, reduz o efeito da incerteza sobre a carta.
Com o conjunto dos três artigos, considera-se que o objetivo principal e os
secundários foram alcançados.
3.2.Sugestões para trabalhos futuros
Conforme foi descrito no decorrer do trabalho, o estudo e a pesquisa sobre
incerteza de medição é comumente muito restrita à área de metrologia, a qual serve de
apoio a diversas áreas da ciência. É nessa interface com as demais áreas que foram
identificadas oportunidades para futuras pesquisas. Além de estudos complementares
sobre cartas de controle utilizando incerteza de medição, como aplicação em processos
reais de fabricação e estudos de caso e estudos de sensibilidade sobre a utilização de
parâmetros da carta, um estudo sobre a consideração da incerteza de medição em
estudos de capacidade de processo é uma pesquisa interessante. Um último estudo
reunindo a influência da incerteza simultaneamente nas cartas de controle e no estudo
de capacidade também é uma sugestão para pesquisas futuras.
4. REFERÊNCIAS 1. Acko, B. Calibration of electronic levels using a special sine bar. Precision Engineering, vol. 29, pp.
48-55, 2005.
2. Al-Othman, A.K. A fuzzy state estimator based on uncertain measurements. Measurement, vol. 42,
pp. 628-637, 2009.
3. Angrisani, L.; D’Apuzzo, M.; Lo Moriello, R.S. Unscented Transform: A Powerful Tool for
Measurement Uncertainty Evaluation. IEEE Trans. Instrum. Meas., vol. 55, pp. 737-743, 2006.
4. Angrisani, L.; Lo Moriello, R.S.; D’Apuzzo, M. New Proposal for Uncertainty Evaluation in
Indirect Measurements. IEEE Trans. Instrum. Meas., vol. 55, pp. 1059-1064, 2006.
5. ANSI-NCSL Z540.3, Requirements for the Calibration of Measuring and Test Equipment, NCSL
Publishing, 2006
6. Attivissimo, F.; Giaquinto, N.; Savino, M. Uncertainty evaluation in dithered ADC-based
instruments. Measurement, vol. 41, pp. 364–370, 2008.
7. Augustyn, J. Some LMS-based algorithms for impedance measurements. Measurement, vol. 41, pp.
178-185, 2008.
86
8. B. D. Hall, Propagating Uncertainty in Instrumentation Systems. IEEE Trans. Instrum. Meas., vol.
54, pp. 2376-2380, 2005.
9. Bachmanna, J.; Linares, J.M.; Sprauel, J. M.; Bourdet, P. Aide in decision-making: contribution to
uncertainties in three-dimensional measurement. Precision Engineering, vol. 28, pp. 78–88, 2004.
10. Barini, E. M.; Tosello, G.; Chiffre, L. Uncertainty analysis of point-by-point sampling complex
surfaces using touch probe CMMs DOE for complex surfaces verification with CMM. Precision
Engineering, vol. 34, pp. 16–21, 2010.
11. Bastiaensen, C.; Deprez, W.; Symens, W.; Driesen, J. Parameter Sensitivity and Measurement
Uncertainty Propagation in Torque-Estimation Algorithms for Induction Machines. IEEE Trans.
Instrum. Meas., vol. 57, pp. 2727-2732, 2008.
12. Batista, E.; Pinto, L.; Filipe, E.; Veen, A.M.H. Calibration of micropipettes: Test methods and
uncertainty analysis. Measurement, vol. 40, pp. 338–342, 2007.
13. Bennet, K., Zion, H. Metrology Concepts: Understanding Test Uncertainty Ratio (TUR) [White
Paper], 2005.
14. Bertocco, M.; Sona, A.; Zanchetta, P. An Improved Method for the Evaluation of Uncertainty of
Channel Power Measurement With a Spectrum Analyzer. IEEE Trans. Instrum. Meas., vol. 56, pp.
1165-1170, 2007.
15. Betta, G.; Liguori, C.; Pietrosanto, A. Uncertainty Evaluation in Algorithms With Conditional
Statement. IEEE Trans. Instrum. Meas., vol. 53, pp. 969-976, 2004.
16. Bitou, Y. High-accuracy displacement metrology and control using a dual Fabry-Perot cavity with
an optical frequency comb generator. Precision Engineering, vol. 33, pp. 187-193, 2009.
17. Bono, M. J.; Seugling, R. M.; Kroll, J. J.; Nederbragt, W. W. An uncertainty analysis of tool setting
methods for a precision lathe with a B-axis rotary table. Precision Engineering, vol. 32, pp. 242-
252, 2010.
18. Braudaway, D. W. Uncertainty Specification for Data Acquisition (DAQ) Devices. IEEE Trans.
Instrum. Meas., vol. 55, pp. 74-78, 2006.
19. Bringmann, B.; Knapp, W. Machine tool calibration: Geometric test uncertainty depends on
machine tool performance. Precision Engineering, vol. 33, pp. 524-529, 2009.
20. Carbone, P.; Macii, D.; Petri, D. Measurement uncertainty and metrological confirmation in quality-
oriented organizations, Measurement, v. 34, p. 263-271, 2003.
21. Cataldo, A.; Tarricone, L.; Vallone, M.; Attivissimo, F.; Trotta, A. Uncertainty Estimation in
Simultaneous Measurements of Levels and Permittivities of Liquids Using TDR Technique. IEEE
Trans. Instrum. Meas., vol. 57, pp. 454-466, 2008.
22. Cataldo, A.; Vallone, M.; Tarricone, L.; Attivissimo, F. An evaluation of performance limits in
continuous TDR monitoring of permittivity and levels of liquid materials. Measurement, vol. 41, pp.
719-730, 2008.
23. Chakrabarti, S.; Kyriakides, E.; Albu, M. Uncertainty in Power System State Variables Obtained
Through Synchronized Measurements. IEEE Trans. Instrum. Meas., vol 58, pp. 2452-2458, 2009.
24. Chen, H.; Wu, P.; Huang, J.; Chen, L. Uncertainty analysis for measurement of measurand.
Measurement, vol. 43, pp. 1250–1254, 2010.
25. Chen, T. On reducing false alarms in multivariate statistical process control. Chemical Engineering
Research and Design, v. 8 8, p. 430–436, 2010.
26. Chen, X.; Wan, Y.; Koenders, L.; Schilling, M. Measurements of dimensional standards and etalons
with feature size from tens of micrometres to millimetres by using sensor strengthened
nanomeasuring machine. Measurement, vol. 43, pp. 1369–1375, 2010.
27. Choi, H.M.; Park, K.A.; Oh, Y.K.; Choi, Y.M. Improvement and uncertainty evaluation of mercury
sealed piston prover using laser interferometer. Flow Meas. and Instrum., vol. 20, pp. 200-205,
2009.
28. D’Antona, G. Measurement Data Processing Using Random Matrices: A Generalized Formula for
the Propagation of Uncertainty. IEEE Trans. Instrum. Meas., vol. 53, pp. 537-545, 2004.
29. D’Errico, G. E. Paradigms for uncertainty treatments: A comparative analysis with application to
measurement. Measurement, vol. 42, pp. 494-500, 2009.
30. De Capua, C.; Romeo, E. A Smart THD Meter Performing an Original Uncertainty Evaluation
Procedure. IEEE Trans. Instrum. Meas., vol. 56, pp. 1257-1264, 2007.
31. De Capua, C.; Romeo, E. A t-Norm-Based Fuzzy Approach to the Estimation of Measurement
Uncertainty. IEEE Trans. Instrum. Meas., vol 58, pp. 350-355, 2009.
32. De Cecco, M.; Pertile, M.; Baglivo, L.; Lunardelli, M.; Setti, F.; Tavernini, M. A Unified
Framework for Uncertainty, Compatibility Analysis, and Data Fusion for Multi-Stereo 3-D Shape
Estimation. IEEE Trans. Instrum. Meas., vol.59, pp. 2834-2842, 2010.
87
33. De Santo, M.; Liguori, C.; Paolillo, A.; Pietrosanto, A. Standard uncertainty evaluation in image-
based measurements. Measurement, vol. 36, pp. 347–358, 2004.
34. Désenfant, M.; Priel, M. Road map for measurement uncertainty evaluation. Measurement, vol. 39,
pp. 841-848, 2006.
35. Dey, D.; Chatterjee, B.; Chakravorti, S.; Munshi, S. Importance of denoising in dielectric response
measurements of transformer insulation: An uncertainty analysis based approach. Measurement, vol.
43, pp. 54–66, 2010.
36. Dull, R. B.; Tegarden, D. P. Using control charts to monitor financial reporting of public companies.
International Journal of Accounting Information Systems, v. 5, p. 109– 127, 2004.
37. El-Haik, B. S. Axiomatic Quality: Integrating Axiomatic Design with Six-Sigma, Reliability, and
Quality Engineering. Wiley, 2005.
38. Ellis, J.D.; Smith, S.T.; Hocken, R.J. Alignment uncertainties in ideal indentation styli. Precision
Engineering, vol. 32, pp. 207–214, 2008.
39. Eppe, G.; De Pauw, E. Advances in quality control for dioxins monitoring and evaluation of
measurement uncertainty from quality control data. Journal of Chromatography B, v. 877, p. 2380–
2387, 2009.
40. Farooqui, S.A.; Doiron, T.; Sahay, C. Uncertainty analysis of cylindricity measurements using
bootstrap method. Measurement, vol. 42, pp. 524-531, 2009.
41. Feng, C.J.; Saal, A.L.; Salsbury, J.G.; Ness, A.R.; Lin, G.C.S. ―Design and analysis of experiments
in CMM measurement uncertainty study. Precision Engineering, vol. 31, pp. 94–101, 2007.
42. Ferrero, A. Measuring electric power quality: Problems and perspectives. Measurement, vol. 41, pp.
121-129, 2008.
43. Ferrero, A.; Gamba, R.; Salicone, S. A Method Based on Random-Fuzzy Variables for Online
Estimation of the Measurement Uncertainty of DSP-Based Instruments. IEEE Trans. Instrum.
Meas., vol. 53, pp. 1362-1369, 2004.
44. Ferrero, A.; Salicone, S. Fully Comprehensive Mathematical Approach to the Expression of
Uncertainty in Measurement. IEEE Trans. Instrum. Meas., vol. 55, pp. 706-712, 2006.
45. Ferrero, A.; Salicone, S. The Construction of Random–Fuzzy Variables From the Available
Relevant Metrological Information. IEEE Trans. Instrum. Meas., vol. 58, pp. 365-374, 2009.
46. Ferrero, A.; Salicone, S. The Use of Random-Fuzzy Variables for the Implementation of Decision
Rules in the Presence of Measurement Uncertainty. IEEE Trans. Instrum. Meas. Vol. 54, 1482-
1488, 2005.
47. Ferrero, A; Salicone, S. The Random-Fuzzy Variables: A New Approach to the Expression of
Uncertainty in Measurement. IEEE Trans. Instrum. Meas., vol. 53, pp. 1370-1377, 2004.
48. Ferrero, A;. Salicone, S. A Comparative Analysis of the Statistical and Random-Fuzzy Approaches
in the Expression of Uncertainty in Measurement. IEEE Trans. Instrum. Meas., vol. 54, pp. 1475-
1481, 2005.
49. Fischer, A.; Pfister, T.; Czarske, J. Derivation and comparison of fundamental uncertainty limits for
laser-two-focus velocimetry, laser Doppler anemometry and Doppler global velocimetry.
Measurement, vol. 43, pp. 1556–1574, 2010.
50. Forbes, A.B. Measurement uncertainty and optimized conformance assessment. Measurement, vol.
39, pp. 808-814, 2006.
51. Forbes, A.B.; Hughes, B.; Sun, W. Comparison of measurements in co-ordinate metrology.
Measurement, vol. 42, pp. 1473-1477, 2009.
52. Fotowicz, P. A method of approximation of the coverage factor in calibration. Measurement, vol.
35, pp. 251-256, 2004.
53. Furuichi, N.; Sato, H.; Terao, Y.; Takamoto, M. A new calibration facility for water flowrate at high
Reynolds number. Flow Meas. and Instrum., vol. 20, pp. 38-47, 2009.
54. Gadelmawla, E. S. Development of a microscopic computer aided measurement system and its
uncertainty Measurement, vol. 41, pp. 1152–1161, 2008.
55. Galliana, F.; Capra, P.P.; Gasparotto, E. Metrological management of the high dc resistance scale at
INRIM. Measurement, vol. 42, pp. 314-321, 2009.
56. Gauri, S. K.; Chakraborty, S. Recognition of control chart patterns using improved selection of
features. Computers & Industrial Engineering, v. 56, p. 1577-1588, 2009.
57. Ghiani, E.; Locci, N.; Muscas, C. Auto-Evaluation of the Uncertainty in Virtual Instruments. IEEE
Trans. Instrum. Meas., vol. 53, pp. 672-677, 2004.
58. Gil, A.C. Como elaborar projetos de pesquisa, 3. ed. São Paulo: Atlas, 159p. 1991.
59. Giniotis, V.; Grattan, K.T.V.; Rybokas M.; Kulvietiene, R. Uncertainty and indeterminacy of
measurement data. Measurement, vol. 36, pp. 195-202, 2004.
88
60. Giniotis, V.; Rybokas, M. Traceability enhancement in angle measurements. Measurement, vol. 42,
pp. 1516-1521, 2009.
61. Godina, A.; Acko, B.; Druzovec, M. New approach to uncertainty evaluation in the calibration of
gauge block comparators. Measurement, vol. 40, pp. 607–614, 2007.
62. Gülbay, M.; Kahraman, C. An alternative approach to fuzzy control charts: Direct fuzzy approach.
Information Sciences, v. 177, p. 1463–1480, 2007.
63. Hack, P.S.; Caten, C.S. Effect of Measurement Uncertainty in Control Charts, in: XVIII
International Conference on Industrial Engineering and Operations Management, Portugal (em
avaliaçao), 2012a.
64. Hack, P.S.; Caten, C.S. Measurement Uncertainty: literature review and research trends, IEEE
Transactions on Instrumentation and Measurement (aguardando publicação), 2012b.
65. Hale, P.D.; Wang, C.M.J. Calculation of Pulse Parameters and Propagation of Uncertainty. IEEE
Trans. Instrum. Meas., vol. 58, pp. 639-648, 2009.
66. Hanslik, T.; Boelle, P. Y.; Flahault, A. The control chart: an epidemiological tool for public health
monitoring. Public Health, v. 115, p. 277–281, 2001.
67. Haycocks, J.; Jackson, K. Traceable calibration of transfer standards for scanning probe microscopy.
Precision Engineering, vol. 29, pp. 168–175, 2005.
68. Heping, P.; Xiangqian, J. Evaluation and management procedure of measurement uncertainty in new
generation geometrical product specification (GPS). Measurement, vol. 42, pp. 653-660, 2009.
69. Hernandez, W. Optimal estimation of the relevant information coming from a rollover sensor placed
in a car under performance tests. Measurement, vol. 41, pp. 20–31, 2008.
70. Hsu, K.; Chen, C.S. The effect of calibration equations on the uncertainty of UV–Vis
spectrophotometric measurements. Measurement, vol. 49, pp. 1525-1531, 2010.
71. IEC-ISO, Evaluation of measurement data — Supplement 1 to the ―Guide to the expression of
uncertainty in measurement‖ — Propagation of distributions using a Monte Carlo method, 2008.
72. IEC-ISO, Guide to the Expression of Uncertainty in Measurement – GUM, ISO Publishing, 2008.
73. Iida, H.; Shimada, Y.; Komiyama, K. Noise Temperature and Uncertainty Evaluation of a Cryogenic
Noise Source by a Sliding Short Method. IEEE Trans. Instrum. Meas.,vol. 58, pp. 1090-1096, 2009.
74. ISO. International vocabulary of basic and general terms in metrology (2nd ed.). Geneva,
Switzerland: ISO Publisihng, 1993.
75. Jokinen, H.; Ritala, R. Value of measurement information: A simple case study on grade change
decisions. Measurement, vol. 43, pp. 122-134, 2010.
76. Jornada, D. Calculation of measurement uncertainty: a comparative study of GUM, Monte Carlo and
numerical integration. In Congresso da Qualidade em Metrologia, São Paulo, Brasil, 2007.
77. Jornada, D. H.; Caten, C. S. Uma revisão sobre abordagens e métodos de cálculo de incerteza. V
Congresso Latino Americano de Metrologia, Paraná, Brasil, 2007.
78. Jornada, D. Uso de Planilhas Eletrônicas para Implementação do Método de Monte Carlo para
Estimativa de Incerteza de Medição. In Encontro para a Qualidade de Laboratórios, São Paulo,
Brasil, 2005.
79. Jornada, D.; Caten, C.S. A review of approaches and methods for calculating uncertainty. In V
Congresso Latino Americano de Metrologia, Paraná, Brasil, 2007.
80. Jornada, D.; Caten, C.S.; Pizzolato, M. Guidance documents on measurement uncertainty: an
overview and critical analysis. Journal of Measurement Science, vol. 1, pp. 68-76, 2010.
81. Kobayoshi, M.; Chui, Q.S.H. The positioning influence of dial gauges on their calibration results.
Measurement, vol. 38, pp 67–76, 2005.
82. Korpelainen, V.; Seppa, J.; Lassila, A. Design and characterization of MIKES metrological atomic
force microscope. Precision Engineering, vol. 34, pp. 735–744, 2010.
83. Kurokawa, S.; Hirose, M.; Komiyama, K. Measurement and Uncertainty Analysis of Free-Space
Antenna Factors of a Log-Periodic Antenna Using Time-Domain Techniques. IEEE Trans. Instrum.
Meas., vol. 58, pp. 1120-1125, 2009.
84. Lampasi, D.A. An alternative approach to measurement based on quantile functions. Measurement,
vol. 41, pp. 994–1013, 2008.
85. Lampasi, D.A.; Di Nicola, F.; Podestà, L. Generalized Lambda Distribution for the Expression of
Measurement Uncertainty. IEEE Trans. Instrum. Meas., vol. 55, pp. 1281-1287, 2006.
86. Lazzari, A.; Iuculano, G. Evaluation of the uncertainty of an optical machine with a vision system
for contact-less three-dimensional measurement. Measurement, vol. 36, pp. 215–231, 2004.
87. Lee, J.; Kim, J.; Park, J.; Kang, U. Uncertainty Evaluation of a Broadband Attenuation Standard.
IEEE Trans. Instrum. Meas., vol. 54, pp. 705-708, 2005
88. Liebrich, T.; Bringmann, B.; Knapp, W. Calibration of a 3D-ball plate. Precision Engineering, vol.
33, pp, 1-6, 2009.
89
89. Link, A.; Taübner, A.; Wabinski, W.; Bruns, T.; Elster, C. Modelling accelerometers for transient
signals using calibration measurements upon sinusoidal excitation. Measurement, vol. 40, pp. 928–
935, 2007.
90. Lira, I.; Cargill, G. Uncertainty analysis of positional deviations of CNC machine tools. Precision
Engineering, vol. 28, pp. 232-239, 2004.
91. Locci, N.; Muscas, C.; Ghiani, E. Evaluation of uncertainty in measurements based on digitized
data. Measurement, vol. 32, pp. 265-272, 2002.
92. Locci, N.; Muscas, C.; Sulis, S. Modeling ADC Nonlinearity in Monte Carlo Procedures for
Uncertainty Estimation. IEEE Trans. Instrum. Meas., vol. 55, pp. 1671-1676, 2006.
93. Lorefice, S. Traceability and uncertainty analysis in volume measurements. Measurement, vol. 42,
pp. 1510–1515, 2009.
94. Lovett, T. E.; Ponci, F.; Monti, A. A Polynomial Chaos Approach to Measurement Uncertainty.
IEEE Trans. Instrum. Meas., vol. 55, pp. 729-736, 2006.
95. Lu, T.; Chen, C. Uncertainty evaluation of humidity sensors calibrated by saturated salt solutions.
Measurement, vol. 40, pp. 591–599, 2007.
96. Mao, J.; Cao, Y.; Yang, J. Implementation uncertainty evaluation of cylindricity errors based on
geometrical product specification (GPS). Measurement, vol. 42, pp. 742–747, 2009.
97. Margavio, T. M.; Conerly, M. D.; Woodall, W. H.; Drake, L. G. Alarm rates for quality control
charts. Statistics and Probability Letters, v. 24, p. 219-224, 1995.
98. Mari, L. The problem of foundations of measurement. Measurement, vol. 38, pp. 259-266, 2005.
99. Mariscotti, A. Measurement Procedures and Uncertainty Evaluation for Electromagnetic Radiated
Emissions From Large-Power Electrical Machinery. IEEE Trans. Instrum. Meas., vol. 56, pp. 2452-
2463, 2007.
100. Martens, H. Evaluation of uncertainty in measurements – problems and tools. Optics and Lasers in
Engineering, vol. 38, pp. 185-206, 2002.
101. Mauris, G.; Lasserre, V.; Foulloy, L. A fuzzy approach for the expression of uncertainty in
measurement. Measurement, vol. 29, pp. 165-177, 2001.
102. Mayor, T.S.; Pinto, A.M.F.R.; Campos, J.B.L.M. An image analysis technique for the study of gas–
liquid slug flow along vertical pipes—associated uncertainty. Flow Meas. and Instrum., vol. 18, pp.
139-147, 2007.
103. Mekid, S.; Vaja, D. Propagation of uncertainty: Expressions of second and third order uncertainty
with third and fourth moments. Measurement, vol. 41, pp. 600-609, 2008.
104. Melo, C.F.; Araújo, R.L.; Ardjomand, L.M.; Quoirin, N.S.R.; Ikeda, M.; Costa, A.A. Calibration of
low frequency magnetic field meters using a Helmholtz coil. Measurement, vol. 42, pp. 1330-1334,
2009.
105. Merkac, T. P.; Acko, B. Comparising measuring methods of pitch diameter of thread gauges and
analysis of influences on the measurement results. Measurement, vol. 43, pp. 421-425, 2010.
106. Miau, J.J.; Yeh, C.F.; Hu, C.C.; Chou, J.H. On measurement uncertainty of a vortex flowmeter.
Flow Meas. and Instrum., vol. 16, pp. 397-404, 2005.
107. Misumi, I.; Gonda, S.; Kurosawa, T.; Azuma, Y.; Fujimoto, T.; Kojima, I.; Sakurai, T.; Ohmi, T.;
Takamasu, K. Reliability of parameters of associated base straight line in step height samples:
Uncertainty evaluation in step height measurements using nanometrological AFM. Precision
Engineering, vol. 30, pp. 13–22, 2006.
108. Montgomery, D. C. Introdução ao Controle Estatístico da Qualidade. 4ª ed. Rio de Janeiro: LTC
Editora, 2004.
109. Monti, A.; Ponci, F. Uncertainty Evaluation Under Dynamic Conditions Using Polynomial Chaos
Theory. IEEE Trans. Instrum. Meas., vol. 59, pp. 2825-2833, 2010.
110. Novotny, M.; Sedlacek, M. Measurement of active power by time domain digital signal processing.
Measurement, vol. 42, pp.1139–1152, 2009.
111. Oliveira, S.P.; Rocha, A.C.; Filho, J.T.; Couto, P.R.G. Uncertainty of measurement by Monte-Carlo
simulation and metrological reliability in the evaluation of electric variables of PEMFC and SOFC
fuel cells. Measurement, vol. 42, pp. 1497-1501, 2009.
112. Oota, A.; Usuda, T.; Nozato, H. Correction and evaluation of the effect due to parasitic motion on
primary accelerometer calibration. Measurement, vol. 43, pp. 719–725, 2010.
113. Patel, K.; Negi, P.S.; Kothari, P.C. Complex S-parameter measurement and its uncertainty
evaluation on a vector network analyzer. Measurement, vol. 42, pp.145–149, 2009.
114. Pavese, F. On the degree of objectivity of uncertainty evaluation in metrology and testing,
Measurement, vol. 42, pp. 1297–1303, 2009.
115. Pendrill, L. Optimised measurement uncertainty and decision-making when sampling by variables
or bay attribute. Measurement, v. 39, p. 829-840, 2006.
90
116. Peretto, L.; Sasdelli, R.; Tinarelli, R. On Uncertainty in Wavelet-Based Signal Analysis. IEEE
Trans. Instrum. Meas., vol. 54, pp. 1593-1599, 2005a.
117. Peretto, L.; Sasdelli, R.; Tinarelli, R. Uncertainty Propagation in the Discrete-Time Wavelet
Transform. IEEE Trans. Instrum. Meas., vol. 54, pp. 2474-2480, 2005b.
118. Pertile, M.; De Cecco, M.; Baglivo, L. Uncertainty Evaluation in Two-Dimensional Indirect
Measurement by Evidence and Probability Theories. IEEE Trans. Instrum. Meas., vol. 59, pp. 2816-
2824, 2010.
119. Pertile, M.; De Cecco, M.; Baglivo, L. Uncertainty Evaluation in Two-Dimensional Indirect
Measurement by Evidence and Probability Theories. IEEE Trans. Instrum. Meas., vol. 59, pp. 2816-
2824, 2010.
120. Pogliano, U. Evaluation of the Uncertainties in the Measurement of Distorted Power by Means of
the IEN Sampling System. IEEE Trans. Instrum. Meas., vol. 55, pp. 620-624, 2006.
121. Pogliano, U. Traceability of electrical quantities obtained by sampling. Measurement, vol. 42, pp.
1439–1442, 2009.
122. Reznik, L.; Dabke, K.P. Measurement models: applications of intelligent methods. Measurement,
vol. 35, pp. 47-58, 2004.
123. Roberts, M. L.; Stevens, J. W.; Luck, R. Evaluation of parameter effects in estimating non-linear
uncertainty propagation. Measurement, vol. 40, pp. 15–20, 2007.
124. Rosa, J.J.G.; Moreno, A.; Lloret, I.; Pallare´s, V.; Liñán, M. Characterisation of frequency instability
and frequency offset using instruments with incomplete data sheets. Measurement, vol. 39, pp. 664–
673, 2006.
125. Rossi, G.B.; Crenna, F. A probabilistic approach to measurement-based decisions. Measurement,
vol. 39, pp. 101-119, 2006.
126. Salicone, S.; Tinarelli, R. An Experimental Comparison in the Uncertainty Estimation Affecting
Wavelet-Based Signal Analysis by Means of the IEC-ISO Guide and the Random-Fuzzy
Approaches. IEEE Trans. Instrum. Meas., vol. 55, pp 691-699, 2006.
127. Santana, M.A.A.; Santos, F.S.N.; Sousa, V.C.; Chui, Q.S.H. Variability sources of DC voltage–
current measurements in the study of TiO2-based varistors. Measurement, vol. 41, pp. 1105-1112,
2008.
128. Shahanaghi, K.; Nakhjiri, P. A new optimized uncertainty evaluation applied to the Monte-Carlo
simulation in platinum resistance thermometer calibration. Measurement, vol. 43, pp. 901-911,
2010.
129. Shimada, T.; Mahadeva, D.V.; Baker, R.C. Further investigation into a water flow rig related to
calibration. Flow Meas. and Instrum., vol. 21, pp. 462-475, 2010.
130. Silva, E.L.; Menezes, E.M. Metodologia da Pesquisa e Elaboração de Dissertação,
UFSC/PPGEP/LED, Florianópolis-SC, 2000.
131. Sklyar, R. Suppression of low-frequency interferences in the induction sensor of magnetic field.
Measurement, vol. 39, pp. 634–642, 2006.
132. Smith, A.H.C.; Monti, A.; Ponci, F. Uncertainty and Worst-Case Analysis in Electrical
Measurements Using Polynomial Chaos Theory. IEEE Trans. Instrum. Meas., vol. 58, pp. 58-67,
2009.
133. Smołalski, G. Measurability conditions of the signal parameter for a given prior knowledge.
Measurement, vol. 42, pp. 583–603, 2009.
134. Souza, F.S. Índices de Capacidade para Gráficos de Controle baseados em Modelos de Regressão.
Dissertação (Mestrado em Engenharia) – Universidade Federal do Rio Grande do Sul, 2010.
135. Stratakis, D. I.; Miaoudakis, A. I.; Zacharopoulos, V. G.; Xenos, T. D. On the Spatial Averaging of
Multiple Narrowband Electromagnetic Field Measurements: Methods and Uncertainty Estimation.
IEEE Trans. Instrum. Meas., vol. 59, pp. 1520-1536, 2010.
136. Stratakis, D.I.; Miaoudakis, A.I.; Xenos, T.D.; Zacharopoulos, V.G. Overall Uncertainty Estimation
in Multiple Narrow-Band In Situ Electromagnetic Field Measurements. IEEE Trans. Instrum. Meas.,
vol. 58, pp. 2767-2779, 2009.
137. Tiemann, I.; Spaeth, C.; Wallner, G.; Metz, G.; Israel, W.; Yamaryo, Y.; Shimomura, T.; Kubo, T.;
Wakasa, T.; Morosawa, T.; Köning, R.; Flügge, J.; Bosse, H. An international length comparison
using vacuum comparators and a photoelectric incremental encoder as transfer standard. Precision
Engineering, vol. 32, pp. 1–6, 2008.
138. Vabson, V.; Kübarsepp, T.; Vendt, R.; Noorma, M. Traceability of mass measurements in Estonia.
Measurement, vol. 43, pp. 1127–1133, 2010.
139. Valcarcel, M., Cardenas, S. Metrology of the binary yes/no response in environmental analysis,
European Conference Environment, health, safety, a challenge for measurement, Paris, June, 2001.
91
140. Vargas, V. C.; Lopes, L. F.; Souza, A. M. Comparative study of the performance of the CuSum and
EWMA control charts. Computers & Industrial Engineering, v. 46, p 707–724, 2004.
141. Velychko, O.; Gordiyenko, T. The use of metrological terms and SI units in environmental guides
and international standards. Measurement, vol. 40, pp. 202-212, 2007.
142. Vilbaste, M.; Slavin, G.; Saks, O.; Pihl, V.; Leito, I. Can coverage factor 2 be interpreted as an
equivalent to 95% coverage level in uncertainty estimation? Two case studies. Measurement, vol.
43, pp. 392-399, 2010.
143. Vommi, V. B., Seetala, M. S. N. A new approach to robust economic design of control charts.
Applied Soft Computing, v. 7, p. 211-228, 2007.
144. Wang, C.M.; Iyer, H. K. A generalized confidence interval for a measurand in the presence of type-
A and type-B uncertainties. Measurement, vol. 39, pp. 856–863, 2006.
145. Wegener, G.; Andrae, J. Measurement uncertainty of torque measurements with rotating torque
transducers in power test stands. Measurement, vol. 40, pp. 803–810, 2007.
146. Willink, R.; Lira, I. A united interpretation of different uncertainty intervals. Measurement, vol. 38,
pp. 61–66, 2005.
147. Wilrich, P. Rounding of measurement values or derived values. Measurement, vol. 37, pp. 21–30,
2005.
148. Wirandi, J.; Chen, J.; Kulesza, W. J. An Adaptive Quality Assessment System—Aspect of Human
Factor and Measurement Uncertainty. IEEE Trans. Instrum. Meas., vol. 58, pp. 68-75, 2009.
149. Wirandi, J.; Lauber, A. Uncertainty and traceable calibration- how modern measurement concepts
improve product quality in process industry. Measurement, vol. 39, pp. 612-620, 2006.
150. Wirandi, J.; Lauber, A.; Kulesza, W. J. Problem of Applying Modern Uncertainty Concepts to the
Measurement of Instrument-Specific Parameters, IEEE Trans. Instrum. Meas., vol. 55, pp. 700-705,
2006.
151. Wong, W, What TUR do you really need? Putting statistical theory into practice, in: Proc.
Measurement Science Conference, Anaheim, CA, USA, January 28-29, 1999.
152. Xintao, X.; Xiaoyang, C.; Yongzhen, Z.; Zhongyu, W. Grey bootstrap method of evaluation of
uncertainty in dynamic measurement. Measurement, vol. 41, pp. 687–696, 2008.
153. Yhland, K.; Stenarson, J. Measurement Uncertainty in Power Splitter Effective Source Match. IEEE
Trans. Instrum. Meas., vol. 56, pp. 669-672, 2007.
154. Zarandi, M.H. F., Alaeddini, A., Turksen, I. B. A hybrid fuzzy adaptive sampling – Run rules for
Shewhart control charts, Information Sciences, v. 178, p. 1152-1170, 2008.
155. Zhang, S.; Wu, Z. Design of control charts with supplementary runs rules. Computer and Industrial
Engineering, v. 49, p. 76-97, 2005.
top related